1、2024 年年 11 月月版權聲明版權聲明 Copyright Notification未經書面許可未經書面許可 禁止打印、復制及通過任何媒體傳播禁止打印、復制及通過任何媒體傳播2024 IMT-2030（6G）推進組版權所有2目錄目錄第一章 引言.7第二章 協作場景分類以及優勢與挑戰.82.1 多模態協作.82.2 多頻段協作.92.3 多節點協作.102.3.1 多基站協作場景.102.3.2 基站與終端協作場景.102.3.3 多節點協作感知的優勢.112.3.4 多節點協作感知的挑戰.14第三章 多節點協作感知的空口關鍵技術.143.1 幀結構.153.2 功率控制.153.3 資源沖

2、突解決.163.4 干擾管理.183.5 雜波抑制.213.6 高精度同步.233.7 非理想因素消除.243.8 非視距識別與利用.263.9 節點選擇與切換.28第四章 多模態協作感知算法.314.1 基于自適應多策略信息融合的二維目標檢測方法.324.2 基于雷達區域建議網絡和深度增強的三維目標檢測方法.34第五章 多頻段協作感知算法.365.1 系統模型.375.2 基于峰譜聚合的多頻段融合算法.385.3 基于特征向量的多頻段融合算法.39第六章 多節點協作感知算法.416.1 系統模型.426.2 信號級融合.436.3 符號級融合.466.3.1 多個自發自收的協作場景下的融合算

3、法.466.3.2 自發他收的協作場景下的融合算法.486.3.3 自發自收與自發他收的一體協作場景下的融合算法.506.4 數據級融合.5336.4.1 基于算術平均的融合算法.546.4.2 基于權重迭代的融合算法.546.4.3 基于柵格聚類的融合算法.566.4.4 基于濾波器遞歸的融合算法.58第七章 多節點協作感知的原型驗證.607.1 基站間協作感知.607.2 終端間協作感知.62第八章 總結與展望.64參考文獻.66貢獻單位.704圖目錄圖目錄圖 1ITU-R 定義的 IMT-2030 應用場景和關鍵能力.7圖 2多模態協作感知示意圖.9圖 3多基站協作場景.10圖 4基站與

4、終端協作場景.11圖 5不同節點感知時無人機的 RCS 對比圖.12圖 6多站協作提升檢測概率.12圖 7更優的感知范圍和連續性.13圖 8多個感知接收節點協作時的感知覆蓋.13圖 9協作感知幀結構配置.15圖 10需要功率控制的協作場景.16圖 11通感沖突的優先級配置.17圖 12速率匹配用來解決通感沖突.17圖 13通感沖突的下行資源搶占示.18圖 14上下行鏈路交叉干擾.18圖 15互干擾強度 CDF 曲線圖.19圖 16測距 RMSE 與干擾協調因子關系曲線圖.19圖 17鄰區干擾識別.20圖 18干擾利用的場景示意圖.20圖 19雜波抑制基本原理示意圖.21圖 20MTI 雜波抑制

5、算法結果圖.23圖 21MTI+MTD 雜波抑制算法結果圖.23圖 22基于往返收發的同步誤差消除方案.24圖 23基于參考徑的同步誤差消除方法.24圖 24可靠估計判決示例(a)實測 4 個 UE 時域上連續的 MUSIC 偽譜(b)對應的可靠估計判決結果.26圖 25協作感知過程中的信號傳播情況.26圖 26NLOS 下的協作感知場景.27圖 27協作感知中的 NLOS 利用算法流程圖.28圖 28NLOS 算法的位置估計結果.28圖 29協作節點選擇示意圖.29圖 30感知節點維護流程.30圖 31多感知模式和感知節點協作的節點選擇示例.315圖 32三種主要的雷達與視覺信息融合策略.3

6、2圖 33自適應多策略信息融合網絡流程圖.33圖 34三維目標檢測網絡（3DRrpn-depth）總體結構.35圖 35雷達區域建議網絡工作流程.35圖 36深度特征增強模塊工作流程.36圖 37基于峰譜聚合級的多頻段融合算法距離估計和速度估計的 RMSE 曲線.39圖 38基于特征向量的多頻段融合算法.40圖 39基于特征向量的多頻段融合算法的仿真結果.40圖 40不同協作層級示意圖.42圖 41分布式全相參方法的 MIMO 模式接收相參處理框圖.44圖 42分布式全相參方法的收發相參模式相參處理框圖.44圖 43參合成前的接收信號.46圖 44兩基站接收信號相參合成結果.46圖 45基于最

7、小誤差累積的多基站融合算法流程圖.47圖 46基于誤差累積融合算法的定位融合結果.48圖 47基于誤差累積融合算法的速度估計融合結果.48圖 48基于網格搜索的多基站感知融合算法.49圖 49基于網格搜索的多基站感知融合算法的(a)定位 RMSE(b)測速 RMSE.50圖 50雙基站協作感知場景圖.50圖 51互相關協同感知算法的流程圖.52圖 52不同 TO 下的測距 NMSE.52圖 53不同 CFO 下的測速 NMSE.53圖 54定位誤差 CDF 分布(a)未進行數據融合(b)采用改進算術平均數據融合處理.54圖 55多節點數據級融合.55圖 56數據級融合的(a)定位的 RMSE(

8、b)測速的 RMSE.56圖 57各個感知接收節點的感知目標位置估計分布圖.57圖 58基于柵格聚類的感知目標位置融合結果分布圖.57圖 59多站融合前和多站融合后目標位置精度 CDF 曲線.58圖 60射頻地圖特征幾何關系示意圖.60圖 61云端融合算法仿真結果.60圖 62測試場景示意圖.61圖 63單次目標檢測結果.62圖 64蜂窩網絡下的多終端協作感知與通信一體化場景示意圖.626圖 65軌跡追蹤樣機以及環境照片(a)實驗中發射機和接收機布局(b)實測感知目標運動區域(c)接收機(d)發射機(e)發射天線(f)接收天線.63圖 66多 UE 協作軌跡追蹤實測結果示例(a)直線軌跡下 4

9、 個 UE 的 MUSIC 偽譜(b)M形軌跡下 4個 UE的MUSIC偽譜(c)S形軌跡下 4個 UE的 MUSIC偽譜(d)估計的直線軌跡(e)估計的 M 形軌跡(f)估計的 S 形軌跡.63表表目錄目錄表 1二維目標檢測的多策略融合性能對比.34表 2不同方法的三維目標檢測性能對比.367第一章 引言作為下一代移動通信系統，6G 將提供更多維度的原生能力，邁向數字孿生、萬物智聯的新時代。相比 5G 的三大場景，即增強型移動寬帶、超大規模機器類通信以及低時延高可靠通信，ITU-R 在 2023 年已經明確 IMT-2030 將拓展為六大應用場景，全新場景包括通信感知一體化（ISAC）、AI

10、 與通信和泛在連接，如圖 1 所示1。未來的通感一體系統將利超用大規模天線陣列、大帶寬、多頻段融合、網絡多點協作等諸多特性，提供高精定位追蹤、目標成像與重構、動作識別、智能體交互等能力，賦能智能交通、低空經濟、智慧工廠、智慧醫療等業務與場景的發展成熟，推動業態轉型升級。圖 1 ITU-R 定義的 IMT-2030 應用場景和關鍵能力在未來，通信能力與感知能力將進一步深度的融合，從硬件融合、頻譜融合、功能融合發展到互助互利、高度協同、深度交融。6G 網絡突破單基站、單終端感知的局限性，從網絡架構、組網技術、空口能力等方面進行原生通感設計，實現立體化的高精感知。依托 6G 網絡，協作感知技術將成為

11、通感系統的重要組成部分，可以提升邊緣用戶體驗、實現多目標的高精度全域化感知。協作感知場景主要有三大類，包括多模態協作、多頻段協作、多節點協作。多模態協作包括無線網絡、攝像頭、傳感器等多種感知形式的融合，各種感知方式互為補充，實現立體多維的感知。在多頻段協作中，低頻段提供遠覆蓋、中頻段保證業務連續性、高頻段按需開啟實現超高精度，多頻段的一體協同將提升網絡效率。多節點的協作將利用移動通信網絡中的節點，包括大規模部署的基站、高密度分布的終端等進行協作與交8互2。在利用多節點進行感知信號的接收和發送過程中，避免了單節點自發自收感知中的自干擾問題，降低對接收機自干擾刪除能力的要求，可節約硬件成本。此外，

12、多節點感知信息可以進行聯合處理，具有提升感知精度、擴大感知范圍、增強感知連續性、拓展感知維度等優勢，滿足新場景的新需求。隨著 ITU-R 在 2023 年發布 IMT-2030 框架建議書、3GPP 在 2024 正式開啟通感信道建模的研究，通感一體的研究進入了新的階段。協作感知作為通感一體技術的重要方向，需對其關鍵技術進行研究，為即將到來的標準化做好準備。因此，本報告作為IMT-2030（6G）推進組首個聚焦協作感知的技術報告，首先對協作場景進行了分析，然后聚焦多節點協作場景的空口技術、協作算法、原型驗證等進行了多方面深入的研究，并且也針對多模態協作和多頻段協作兩個場景的融合算法進行了研究，

13、旨在為后續工作提供指引，推動業界對針對協作感知開展技術研究和評估驗證，促進 6G 通感一體的標準制定。第二章 協作場景分類以及優勢與挑戰2.1 多模態協作多模態協作基于 3GPP 的感知并非獲得物理世界信息的唯一途徑，而是眾多觀測物理世界的方式之一。雷達、攝像頭等采集物理世界數據的方式已得到廣泛應用，IEEE 802.11 已經在制定基于無線局域網的感知標準，手機、汽車等設備已經具備各種傳感器、攝像頭等。因此在未來，3GPP 感知和其它形式的感知將進行充分協同并進行數據融合，有助于實現立體、豐富、多維的感知?；?3GPP 感知和 non-3GPP 感知協同存在以下潛在場景：一種潛在應用是 3

14、GPP感知和 non-3GPP 感知進行數據融合，提升感知能力。如圖 2 所示，在交通場景中，基站和攝像頭都對路上的車輛、行人進行監控；基站和攝像頭感知的數據可以融合以立體、豐富、多維的感知，提高感知精度。另一種潛在應用 non-3GPP 感知為 3GPP 感知提供先驗信息，攝像頭的視頻可以提供輔助信息，有助于感知測量過程的優化、提升感知精度。9圖 2 多模態協作感知示意圖多模態的感知數據融合對提高感知精度和魯棒性、增強環境適應能力和提高數據可靠性和準確性具有重要意義，不同類型的傳感器可以相互補充，彌補彼此的局限性，從而提高整體的感知性能。但多模態融合在技術實現中同樣面臨多種挑戰，主要包括以下

15、幾個方面3。一是數據異構性，不同類型的傳感器（如攝像頭、毫米波雷達等）生成的數據形式和特征各異，如何有效地處理和融合這些異構數據，特別是在不同空間、時間和頻率尺度上的對齊和同步是一個關鍵挑戰。二是數據質量與可靠性，不同傳感器在不同環境下的性能差異較大，可能會受到噪聲、遮擋、天氣等因素的影響，導致數據質量不一致。融合過程中需要設計魯棒的算法，以應對數據不確定性和傳感器失效等問題。三是融合策略設計，如何在不同層次（例如傳感器級、特征級、決策級）進行有效的多策略融合，并動態更新各個傳感器的權重。2.2 多頻段協作多頻段協作多頻段的協作與融合將是 6G 系統的一個重要特征，對于通信而言，利用載波聚合技

16、術，將高頻段和低頻段相結合，可以提高通信性能。同樣，不同頻段的協同也可以提升感知性能。低頻段提供超遠覆蓋，滿足 Mbps 級基本通信需要，以及完成對于目標的探測；中頻段（Sub-10GHz 頻段）主要用于連續覆蓋、中高速通信（Gbps），以及亞米級感知、廣域范圍的信息探測；高頻（毫米波、太赫茲、可見光等頻段）按需開啟，進一步提升通信速率和感知分辨率（厘米級）。將多頻段有機的協同起來，可滿足不同的通信和感知需求，支撐個性化業務。在感知信息融合過程中，高頻段和低頻段物理層參數不一致是一個挑戰。例如，當采用 OFDM 波形作為感知信號時，高頻段和低頻段的子載波間隔不同，給感知信息融合帶來了挑戰45。

17、除了高頻段和低頻段的協作之外，還有頻域協作的其他情況，例10如在碎片化頻帶或非授權頻段上融合信號6。2.3 多節點協作多節點協作2.3.1 多基站協作場景多基站協作場景多基站協作感知場景可以細分為三種78，包括多個自發自收的協作，自發他收的協作、自發自收與自發他收的一體協作：（1）多個自發自收的協作：如圖 3(a)所示，多個基站分別對同一個目標進行感知，最后的感知信息在融合中心（可以是某一個基站或核心網）進行融合感知。（2）自發他收的協作：如圖 3(b)所示，當多個基站分別對同一個目標發射感知信號，與發射端不同的基站負責信號的接收，并進行感知信息的結算與處理。感知信息可在接收端或在核心網側進行

18、融合。（3）自發自收與自發他收的一體協作：如圖 3(c)所示，當多個基站分別對同一個目標發射感知信號，接收基站包括發射端基站，也包括與發射端不同的基站。感知信息可在接收端或在核心網側進行融合。圖 3 多基站協作場景2.3.2 基站與終端協作場景基站與終端協作場景根據感知范圍的不同，可以對基站與終端的協同感知進行進一步分類910。通常下行感知范圍小于上行通信范圍，上行通信范圍小于下行通信范圍，如圖 4 所示。1）當目標位于下行感知覆蓋范圍內：如圖 4 中的位置 A 時，基站可以通過接收基站的回波信號進行基站下行感知，以及通過接收終端的上行反射信號進行基站上行感知。同理，終端也可以通過接收終端的回

19、波信號進行終端上行感知，以及通過接收基站的下行反射信號進行終端下行感知?；鞠滦懈兄徒K端上行感知的回波信號可在基站側融合，進行下行和上行感知的協同。需要注意的是，由于上行感知的覆蓋小于下行感知的覆蓋，因此這四種感知不一定同時存在。112）當目標在下行感知覆蓋范圍之外：在上行通信覆蓋范圍內時，如圖 4 中的位置 B，多個終端對目標進行檢測，并將感知信息上傳到基站，進行感知信息融合。3）當目標在上行通信覆蓋范圍之外：在下行通信覆蓋范圍內時，如圖 4 中的位置 C，多個終端在基站的引導下，自行檢測目標，并融合感知信息。圖 4 基站與終端協作場景2.3.3 多節點協作感知的優勢多節點協作感知的優勢與

20、單節點感知相比，采用多節點協作感知可以賦能更高的感知精度711，具有如下技術優勢：（1）更多的可利用感知路徑。在收發節點間，僅包含目標、不包含其他散射體的視距（LOS）路徑是進行感知的首選路徑。但是，由于無線信道受障礙物遮擋等原因，導致感知信號不能直接傳播到感知目標，造成小區出現感知覆蓋盲區。此外，對于低空無人機場景，由于基站還要滿足地面通信需求，所以基站的天線基本都向下傾斜，那就造成單站的感知是存在盲區的，需要其他基站協作來補盲。假設目標與一個接收節點間的路徑為 LOS 的概率為，則與單點感知相比，由于協作感知能夠從大量候選節點（設節點數為）中選擇一個節點，則候選節點中，至少一個節點為 LO

21、S 徑的概率為 1 (1)?？梢?，隨著節點數目增加，LOS 徑概率增加。（2）更豐富的散射強度?，F有研究對目標散射特性的仿真與分析表明，目標在不同入射角方向上的散射強度不同，并且在統計意義上沿原路徑返回的回波信號強度較弱2。這意味著，采用單點 A 發 A 收的獨立感知，并不總是能接收到具有最大強度的回12波信號。如圖 5所示，根據蜂窩網絡站點分布特點，選擇 3 個相鄰的節點作為收發基站，其中無人機處于 3 個節點之間的任意位置，多次撒點并統計目標處于不同位置時的散射強度，其中 A 發 A 收、A 發 B1 收、A 發 B2 收目標的散射強度均值分別為 0.072、0.093、0.098，這表明

22、利用 RCS 的散射特性，感知節點在不同方向接收的散射強度不同，通過感知節點的多樣性所帶來的平均散射強度更大，更有利于精確感知。圖 5 不同節點感知時無人機的 RCS 對比圖（3）更優的協作增益。單節點感知受限于單個節點的能力，精度的提升存在瓶頸。反之，采用多節點協作感知能夠獲得多倍、多維的測量值，進而消除隨機誤差，獲得更優的聯合處理增益。圖 6 對無人機目標的檢測概率進行了仿真，其中頻點為 4.9GHz，站間距為 500m，無人機高度為 500 米。從圖 6 可以看到，通過多站的協作感知，可以提升 SNR，進一步的提升檢測概率。圖 6 多站協作提升檢測概率與單節點自發自收相比，多節點聯合收發

23、能夠獲得與多節點空間分布相關的幾何增益以及精度增益。多節點提供的冗余測量值還能夠用于排除故障基站，進而增強感知的13可靠性、完好性。此外，在三維環境構建中，一個基站僅能感知環境的局部信息。需要通過位于不同高度、不同角度的多個感知節點的信息匯聚，才能還原完整的三維環境。（4）更靈活的干擾協調。無論是 A 發 A 收的獨立感知還是 A 發 B 收的協作感知，都不可避免地面臨互干擾問題，影響感知信號的提取與處理。采用多節點協作感知，可以通過調度部分節點作為協作接收節點，達到提升感知精度和提升網絡質量的雙重效果。（5）更優的感知范圍和連續性。單站的感知覆蓋是有限的，一方面是因為感知發送功率是受限的，另

24、一方面，無線感知主要是利用信號的反射或散射波，距離越遠 SNR越小、感知精度越差。多個感知設備（基站或 UE）協同感知可以擴大感知范圍，如圖 7所示。此外，對于移動的感知目標，單個感知節點難以覆蓋感知目標全部的活動范圍。感知目標有可能需要從一個基站的覆蓋范圍移動到另一個基站的覆蓋范圍。圖 7 更優的感知范圍和連續性此外，相比于獨立感知模式，在多節點協作感知模式中，可以覆蓋距離感知發射節點較遠而距離感知接收節點較近的范圍，增加了可感知距離。這一特性可以應用于基站和終端協作感知的情況，感知目標距離基站較遠時，可以選擇距離感知目標較近的終端作為感知接收節點進行感知。另一方面，在多站模式進行站點部署時

25、，可以考慮固定感知發射節點，通過增加感知節點的方式擴大感知覆蓋，如圖 8 所示。圖 8 多個感知接收節點協作時的感知覆蓋142.3.4 多節點協作感知的挑戰多節點協作感知的挑戰協作感知也面臨諸多挑戰，具體包括：（1）幀結構：面向協作感知場景，尤其是基站 A 發 B 收的工作模式，如何設計可以適應新場景的幀結構。（2）功率控制：當協作感知接收基站的小區內同時進行感知回波信號和通信上行信號的接收時，如何進行功率控制的設計來滿足高效的通信和感知。（3）資源沖突解決：當通信業務和協作感知有沖突時，如何設計有效的通感沖突解決方案。（4）干擾管理：如何消除多種干擾的影響，包括通信的干擾、雜波干擾、站間直射

26、徑干擾等多種干擾源。（5）雜波抑制：在協作感知場景回波信號較弱的情況下，如何有效的對雜波進行抑制。（6）高精度同步：收發節點之間的時間同步誤差會對協作感知性能造成影響。例如 10ns 的同步誤差，會導致 3m 的感知定位誤差。（7）非理想因素消除：本振頻率偏移、隨機相位等硬件非理想因素，以及感知目標 RCS 波動、信道衰落等環境非理想因素會對感知結果帶來影響，因此需要設計非理想因素抑制和消除方案來解決上述問題。（8）非視距識別與利用：當發射機到目標，或者目標到接收機之間有遮擋時，需針對 NLOS 感知進行設計。如何有效的識別、消除和利用非視距感知，需要進一步研究。（9）節點選擇與切換：當感知目

27、標移動時，如何高效的選擇新的感知收發節點，以及感知小區的切換等。（10）數據融合：如何對多個接收節點的數據進行融合，是協作感知的重要挑戰之一。包括如何在不同的層級進行融合，融合算法的設計與優化等。第三章 多節點協作感知的空口關鍵技術本章聚焦多節點協作感知的場景，介紹其空口關鍵技術。相比單節點獨立感知，多節點協作感知具有無需硬件改動、感知精度高等優點，但也存在諸多挑戰。本節從幀結構、功率控制、資源沖突解決、干擾管理、雜波抑制、高精度同步、非理想因素消除、15非視距識別與應用、節點選擇與切換等多個重要挑戰來介紹多節點協作感知的空口關鍵技術。3.1 幀結構幀結構幀結構是通信系統最基礎的時序設計，在通

28、信系統中引入感知功能后，幀結構設計需要考慮通信和感知的兼容性，以保證通感系統的整體性能?，F有的通信幀結構設計十分靈活，包括半靜態配置和動態配置。半靜態配置包括小區級別配置和 UE 級別配置。動態配置通過 group common PDCCH（組公共物理下行控制信道）指示傳輸格式。為了避免鄰區干擾，相鄰基站的小區級幀結構配置是一致的，且小區級幀結構配置的下行符號和上行符號無法修改。然而對于協作感知，如果 A 發 B 收的收發節點都是基站，B節點的上行符號必須和 A 節點的下行符號成對配置。此外，為避免遠端基站干擾，感知資源應考慮占用一個時隙內靠前的符號。對于感知幀結構的信令配置，可以采用兩種方式

29、，如圖 9 所示，第一種是在通信幀結構配置信令的基礎上，新增感知幀結構的配置，第二種是設計統一的信令共同指示通信和感知的幀結構配置。圖 9 協作感知幀結構配置3.2 功率控制功率控制在基站 A 發 B 收的協作感知場景，為了在進行感知的同時保證通信的高效率傳輸，接收端的服務小區可以在接收感知回波信號的同時也進行通信終端的上行信號接收，如圖 10 所示。這種模式帶來的問題是當探測中遠距離的感知目標時，上行通信信號強度將遠大于感知信號的反射強度。當回波信號強度與上行通信信號強度相差過大時，回波信號強度與上行通信信號強度的差值將超出接收機的模數轉換器動態范圍，導致無法有效采集感知回波信號。因此，可以

30、考慮對接收端基站 B 小區內的通信終端進行一定的功率控制，以滿足感知檢測的要求。16圖 10 需要功率控制的協作場景在現有協議中，對于控制信道和業務信道，主要采用閉環功率控制，通過基站返回的 MCS 信息以及功率調整量的設置來控制功率。以 PUSCH 信號為例，具體功率控制公式為：=,0+1010(2 MRB)+TF+其中為 UE 最大發射功率，0為基站期待接收到的功率，為路徑損耗補償，PL 為 UE 估計的下行路徑損耗值，為 PUSCH 占用的 RB 數量，為當前 MCS 相對于參考 MCS 的功率偏移，為閉環功控調整量。在基站 A 發 B 收的協作感知場景中，可根據感知信號回波能量的初始測

31、量值P1，以及根據感知小區覆蓋來計算接收端期待接收的回波信號強度，并對接收端小區內的通信終端進行一定的上行功率調整。一種方式是對基站期待接收到的功率值0進行調整，定義新的基站期待接收到的功率值0，0=+，其中為 ADC 動態范圍。由于接收端期待接收的回波信號強度為，因此為看為 ADC 動態范圍的下界，則 ADC 動態范圍的上界為+，并認為該上界是新的基站期待接收到的功率值。另一種方式是計算新的功率調整值，=+1。如果將接收端期待接收的回波信號強度看為 ADC 動態范圍的下界，則 ADC 動態范圍的上界為+，該上界和1的差值即為功率調整值。3.3 資源沖突解決資源沖突解決在通感一體化系統中，感知

32、和通信共享物理資源，可能會發生沖突并導致傳輸失敗，在協作感知場景中通感沖突的問題尤為嚴重，因此需要設計通感沖突解決方案?？梢詮囊韵聨讉€方面來進行沖突解決方案的設計：一種方案是設置資源優先級，根據優先級決定通信和感知之間的處理順序；二是使用速率匹配，使得通信資源避開感知資源；三是17進行資源搶占指示，感知搶占已經調度給通信的資源完成感知任務。1.資源優先級設置：協作感知中 A 發 B 收場景，作為發送端的 A 基站可以配置優先級給接收基站 B。優先級包含兩種可能的配置，一種是感知優先級高于通信，另一種是感知優先級低于通信。如圖 11 所示，當基站 B 同時收到來自于 A 基站的感知信號和來自基站

33、 B 服務下的 UE 的通信信號時，如果感知優先級高于通信，基站 B 優先處理感知信號；如果感知優先級低于通信，基站 B 優先處理通信信號。圖 11 通感沖突的優先級配置2.速率匹配設置：通信系統中，可以通過速率匹配的方式讓 PDSCH 避開一些不可用的資源位置，比如其他 UE 的 PDCCH 資源、預留資源等。感知信號也可看作一種不可用資源，使用速率匹配的方式避免感知和 PDSCH 的沖突?；?A 和基站 B 進行協作感知，感知資源與基站 A 服務的 UE 資源沖突時，可以通過速率匹配的方式向 UE 指示感知信號位置不可用。速率匹配包括 RB 級別和 RE 級別，可以根據感知符號的配置決定

34、使用 RB 級速率匹配還是 RE 級速率匹配。如果感知信號占用的頻域資源較多，使用 RB 級別的速率匹配；如果感知信號占用的頻域資源較少，使用 RE 級別的速率匹配，如圖 12 所示。圖 12 速率匹配用來解決通感沖突3.感知資源搶占：當感知和通信傳輸資源沖突時，感知可占用已調度給通信的資源，并向通信UE指示資源已被占用。如圖 13所示，基站A已經給通信UE調度了PDSCH資源，同時需要基站 A 和基站 B 協作感知?；?A 占用調度給通信 UE 的 PDSCH 資源用于和基站 B 進行協作感知。同時，基站 A 給通信 UE 發送搶占指示信令，指示其被占用的資源。UE 收到搶占指示后，認為搶

35、占信令指示的資源上沒有發送給自己的數據，18不對這些資源上的數據進行進一步處理。圖 13 通感沖突的下行資源搶占示3.4 干擾管理干擾管理大規模部署的分布式網絡節點為實現網絡協作通感提供基礎支撐，協作感知需要采用動態上下行配置方式，這將額外引入上下行交叉鏈路干擾、小區內上行通信用戶干擾等1213。如圖 14 所示，對于協作感知模式，節點 1 和節點 2 的時隙配置需要考慮不同的上下行配置，與感知信號的收發過程、感知區域及感知精度要求有關。此時，對于通信用戶而言，受到的干擾主要來自下行基站與目標通信用戶之間的鏈路。對于協作感知接收基站而言，受到的干擾主要來自其他感知發射基站、下行通信基站，相比通

36、信用戶，感知信號干擾更加強烈。因此，在采取協作感知模式時，網絡需要盡可能避免上下行干擾等對一體化性能的影響，以同時滿足網絡的感知需求與通信需求14。圖 14 上下行鏈路交叉干擾為保障信號成功檢測，需滿足干擾強度低于干擾上限，干擾上限=回波信號強度+ADC 動態范圍。在實際組網環境下，對于協作接收基站會受到小區內上行通信用戶、其他感知發射基站、下行通信基站等干擾，其干擾強度可能超過干擾上限，此時需進行必要的干擾控制才能確保信號成功檢測。圖 15 給出了典型低頻網絡協作通感系統中的站間干擾特性的仿真結果。典型低頻基站配置包括：載頻 2.6GHz，帶寬 100MHz，發射19功率為 52dBm，AD

37、C 動態范圍約為 60dB，感知目標為無人機（RCS=0.01）。根據干擾上限計算可得其能承受的干擾上限約為-8.71 dBm。當不考慮干擾管理時，90%概率下協作接收基站受到的干擾強度達到約-6.45 dBm，高于干擾強度上限-8.71 dBm，導致感知任務失敗。當對鄰扇區進行干擾控制后，協作接收基站受到的干擾強度顯著下降，可滿足信號檢測要求。圖 15 互干擾強度CDF曲線圖此外，如圖 14 在雙站協作下，感知信號可能存在一個節點 1 到節點 2 的直射徑，這個直射徑也可能造成超過干擾上行。因此，為保障感知信號成功檢測并滿足感知性能需求，可從時域、頻域、空間域、功率域維度設計干擾控制方案。圖

38、 16 給出不同干擾協調因子下的感知精度（干擾協調因子配為 0dB 表示不進行干擾協調，干擾來源為其他下行基站的直射徑干擾），可以看出不同站間距下，隨著干擾協調因子降低，系統干擾變小，測距 RMSE 顯著降低。圖 16 測距RMSE與干擾協調因子關系曲線圖綜上分析與仿真可知，基站間干擾影響網絡協作通感系統的性能，需要進行干擾管理來提升感知精度。其中，來自同站址兩鄰扇區的干擾尤為強烈。為保障感知信號的成功檢測，對同站址鄰扇區的干擾管理是非常有必要的。此外，對干擾基站進行不同程度的干擾管理，可使感知性能顯著提升。因此，在實際應用中，在保障信號成功檢測的基20礎上，有必要進一步對其他干擾基站進行適當

39、的干擾管理，以滿足系統不同場景的不同感知需求。此外，感知接收端可以對干擾信號進行識別與消除。當基站 A 接收自己發出的感知信號回波時，還會接收到來自相鄰基站 B 發出由基站 A 接收到的干擾信號，可對鄰區干擾信號進行識別，具體包括兩種方法：方法一是兩基站采用同時發送、以及一個發送一個靜默這兩種配置發送感知信號，當一個基站靜默時，感知處理結果只有一個峰值，如圖 17（a）所示；同時發送時，有兩個峰值，圖 17（b）所示。通過對比兩種配置的感知結果，即可判斷兩圖中相同距離的峰值即為自身感知回波信號引起的峰值。方法二是兩個基站同時發送相同感知信號，融合兩基站感知結果。圖 17（b）（c）分別是基站A

40、 和基站 B 對接收信號的感知處理結果，通過兩圖的對比，相同距離的峰值即為鄰區干擾信號引起的峰值。另外，在兩個基站的信號都經過相同感知目標場景下（如圖 18 所示），上述干擾識別方法還可以進一步的達到干擾利用、提高系統感知資源利用率的效果，基站可以將接收到的混合信號視為單基模式感知與雙基模式感知的混合信號，通過信號處理技術將干擾信號轉化為有用的感知信息，在協作感知的情況下，利用基站和鄰站位置信息可以確定感知目標的坐標信息。(a)無鄰區干擾時基站 A 感知數據(b)存在鄰區干擾時基站 A 感知數據(c)存在鄰區干擾時基站 B 感知數據圖 17 鄰區干擾識別圖 18 干擾利用的場景示意圖21除了進

41、行干擾管理來降低干擾水平以外，還可以采用干擾消除的方式來降低干擾對通信系統的影響。感知網元可以將感知信號的配置信息發送給可能會受到感知干擾的基站，這些基站可以通過感知參考信號來判斷干擾的水平，從而向感知網元反饋干擾測量報告，來決定后續是否繼續向其傳遞感知信號的配置信息。對于確定感知干擾有影響的基站，可以通過感知信號的配置信息來估計感知干擾的信道，重構出感知干擾，從而進行感知干擾消除。實際中感知的干擾重構和消除是會帶來誤差的，只有在誤差的功率通常小于干擾的功率的情況下才能獲得性能增益。因此，這種干擾消除的方案主要針對感知干擾較強的場景，可以改善通信性能。3.5 雜波抑制雜波抑制在通感一體化系統中

42、，來自感知目標的回波是實現感知算法的有用信號，除此之外還有來自地面、墻面等大型物體的靜態雜波以及其他相關物體的雜波，這些雜波往往比有用的回波信號還要強，從而影響感知算法性能，因此需要考慮對這些較強的雜波干擾信號進行抑制。在 A 發 A 收的獨立感知模式中，某些區域內的待感知目標與感知站距離較近，回波相對較強，而且接收站不會受到發送站的直接干擾；相比而言，在 A 發 B收的協作感知模式中，由于 A、B 感知站相隔較遠距離，不存在感知目標與 A、B 站距離都很近的區域，回波都很弱，而且接收站還會受到發送站的直接干擾，因此協作感知模式中更需要對雜波干擾信號進行抑制，從而提高感知信噪比，提升感知算法性

43、能。雜波抑制的基本原理，是通過采用數字信號處理技術對固定目標或慢速目標的雜波進行濾除或者抑制，保留運動目標的回波。例如，可以對前后幀接收信號作差，或者前N 幀信號作平均然后和當前幀信號作差，以此來濾除信號中的靜態成分，達到雜波抑制的目的，如圖 19 所示。圖 19 雜波抑制基本原理示意圖22業界已有的雜波抑制算法研究主要是基于 FMCW 波形進行的，而對于采用 OFDM信號模型的通感一體化系統中的雜波抑制算法研究相對較少。如何借鑒基于 FMCW 信號模型的雜波抑制算法，實現通感一體化系統中的雜波抑制從而提升感知精度，是協作感知的研究重點之一?；?FMCW 信號模型的雜波抑制算法主要有兩大類，

44、分別是動目標顯示(Moving Target Indicator,MTI)和動目標檢測(Moving Target Detection，MTD)。動目標顯示 MTI 利用雜波抑制濾波器來抑制雜波，提高信號的信雜比，以利于運動目標檢測的技術。MTI 濾波器利用雜波與運動目標的多普勒頻率的差異，使得濾波器的頻率響應在直流和 PRF（脈沖重復頻率）的整數倍處具有較深的阻帶，而在其他頻點的抑制較弱，從而抑制靜止目標和靜物雜波。動目標顯示 MTI 算法的本質是對相鄰的時域脈沖信號作差，從而濾除掉靜態雜波。來自運動目標的回波相位會隨著時間發生變化，而來自靜止目標的回波不隨時間的變化而變化，通過相鄰兩個脈沖

45、作差位可以將相位不變的靜態雜波濾除掉。動目標檢測 MTD 使用一組窄帶多普勒濾波器將不同速度的目標分離出來的技術，其主要依據為不同速度產生的多普勒頻移不同。MTD 中的多個窄帶多普勒濾波器組可以通過對同一距離門內的回波信號的脈沖壓縮結果做 FFT 來實現。當脈沖壓縮處理后的信號通過多普勒濾波器組時，即進行速度維 FFT 時，由于不同速度產生的多普勒頻移不同，各個速度的目標就會落入相應的多普勒通道，再乘以速度分辨率，由此可以計算出目標速度。通感一體化系統中的雜波抑制也可以采用類似的動目標顯示 MTI 算法，即對配置有感知參考信號的兩個相鄰的 OFDM 符號的頻域信號作差，從而將來自靜態目標的雜波

46、濾除掉；也可以采用類似的動目標檢測 MTD 算法，首先對各個接收到的感知 OFDM符號的時域信號解調得到頻域信號，然后通過對多個感知 OFDM 符號的上相同子載波的頻域信號做 FFT，從而實現多普勒濾波器組的功能，將不同速度的目標落入到不同的多普勒通道中，進一步估計出目標的速度。同時，也可以考慮將 MTI 和 MTD 算法結合，對靜態雜波做一定的抑制后再進行動態目標的檢測。我們分別采用 MTI 和 MTD 算法對通感一體化系統中基于 OFDM 信號波形的雜波抑制做了初步的仿真實驗。下圖 20 為 MTI 雜波抑制算法的結果圖，左圖為未做雜波抑制的信號分布圖，圖中有三排峰值，從右下到左上，分別對

47、應運動目標 1 的回波信號、靜止目標的雜波以及運動目標 2 的回波信號。右圖為進行雜波抑制后的信號分布圖，圖中只有兩排峰值，相對于左圖，中間的來自靜止目標的雜波被濾除掉了。23圖 20 MTI 雜波抑制算法結果圖下圖 21 為 MTI+MTD 雜波抑制算法的結果圖，左圖為純 MTD 算法的結果圖，通過對多個時隙中的采樣信號做 2 維 FFT 變換，可以顯示出三個峰值，分別對應運動目標1 的回波信號、靜止目標的雜波以及運動目標 2 的回波信號，通過峰值所在的速度維坐標，可以判斷出中間的峰值處于零速狀態，因此可以將其判定為靜態雜波。右圖為 MTI和 MTD 相結合的雜波抑制算法結果圖，相對于左圖，

48、中間的來自靜止目標的雜波被濾除掉，對應的 2D-IFFT 結果中的峰值被抑制掉，因此只出現兩個動態目標的峰值。圖 21 MTI+MTD 雜波抑制算法結果圖3.6 高精度同步高精度同步基站間時間同步誤差對感知性能，特別是對高精度測距性能造成影響。對于點對點時間同步，現有的 3GPP NR 協議TS 38.104規定，天線間定時誤差（TAE）不大于65ns15,可造成約 20 米的距離偏差，無法滿足高精度測距需求。對于網絡時間同步，可通過基站直接授時或根據 1588v2 協議規定的有線時間網絡授時實現，采用這兩個方案時，基站間時間同步誤差一般分別約為 50ns 及 1us，同樣無法滿足高精度測距需

49、求。盡管基站間高精度的時間同步較難實現，但是依然可通過時間同步誤差消除方案設24計達到“零時間同步誤差”的效果，實現高精度感知。圖 22 給出了一種雙向時間同步誤差消除方法，通過兩個節點互相發送感知信號，并計算平均傳播時延，可以得到與同步誤差無關的感知測量值，有效消除同步誤差的影響。圖 22 基于往返收發的同步誤差消除方案此外，圖 23 給出了一種基于多徑時間差的同步誤差消除方法，節點 A 發射的信號分別通過直射徑及經過感知目標的反射徑到達節點 B。通過將反射徑傳播時延與直射徑傳播時延相減，可得到與同步誤差無關的到達時間差。再根據目標與節點之間距離的幾何關系建立等式，可由到達時間差計算出反射徑

50、的真實時延。圖 23 基于參考徑的同步誤差消除方法3.7 非理想因素消除非理想因素消除非理想因素指的是由于系統硬件或者物理環境不理想導致無線感知出現的誤差成分。硬件非理想因素包括定時偏移（Time Offset，TO）、本振頻率偏移（Carrier FrequencyOffset，CFO）、隨機相位等。其中，TO 包括了前面所述的時間同步誤差，以及隨時間變化的定時漂移；CFO 則直接造成多普勒頻率測量誤差；隨機相位則包括了單個射頻通道不同時刻的不一致相位、不同射頻通道間的隨機相位差，以及相位噪聲等。此外，感知目標 RCS 波動、信道衰落、多徑干擾等同樣可能對感知結果或者用于計算感知結果的中間變

51、量引入隨機的幅度或者相位誤差。因此，要想獲得較為精確的感知結果，在實際應用中需要采取一些措施對上述感知非理想因素進行抑制或消除。以下以基站和終端協作感知實現人體軌跡追蹤為例子，介紹感知非理想因素消除的方案，該方案也可以應用到室外等其他場景。25假設已知基站和終端的位置坐標，人的速度humanv可以分解為徑向分量和切向分量?？紤]到切向分量不會對人體導致的動態反射徑的長度變化產生影響，只有徑向分量才會影響動態反射徑的長度，因此2N N 個處于不同位置的終端可以測量人體反射徑的多普勒頻率（正比于動態反射徑長度的變化速度），感知接收節點基于這N個多普勒頻率測量值，結合感知接收節點坐標，可以計算得到行人

52、的運動速度大小和方向，進而實現人體軌跡追蹤。該方案的詳細原理分析和數學推導可以參見文獻16。為了消除硬件相關的非理想因素，終端使用兩個接收天線端口的 CSI 求取 CSI 商，并基于 CSI 商估計多普勒頻率。為了充分利用頻域信息，提升多普勒估計精度，我們在時域使用了滑動平均共軛重排，同時頻域平均的方法估計多普勒17。一些由環境所帶來的非理想因素也需要進行抑制方案的設計。根據測量我們發現當人體移動時動態反射徑的接收功率會發生顯著變化，這種現象稱為目標的“RCS 波動”。RCS 波動與信道衰落共同作用，可能會使一些感知節點動態反射徑的接收功率下降到噪聲水平以下，導致反射徑無法被檢測。另一個環境非

53、理想因素是多徑干擾。實際上，環境中散射體反射的感知信號是慢時變的。此外人體反射的感知信號在室內環境中可能經歷多次反射，然后才被感知節點接收到。這些動態徑會降低信干噪聲比，導致多普勒估計中出現錯誤的峰值。我們提出了一種基于可靠估計判決的協作感知策略以保證軌跡追蹤的連續性和可靠性。對于可靠估計判決，只有隨時間連續平滑變化的多普勒估計結果才會被認為是可靠的估計，并可用于后續的軌跡計算。我們設計了一種多普勒追蹤算法來實現這個判決，可參見文獻16。圖 24 給出了一個關于可靠估計判決和感知節點動態選擇的實測示例?？煽抗烙嬙趫D 24(b)中用帶顏色的“*”標記，而不可靠估計用無顏色的圓圈標記。根據判決結果

54、，系統可以動態地從 4 個 UE 中選擇至少 2 個 UE 獲取的多普勒頻率進行軌跡計算，確保軌跡追蹤的連續性和可靠性16。26圖 24 可靠估計判決示例(a)實測 4 個 UE 時域上連續的 MUSIC 偽譜(b)對應的可靠估計判決結果3.8 非視距識別與利用非視距識別與利用在實際中，感知性能會受到許多非理想因素的影響，其中頻繁出現的是非視距（NLOS）傳輸。感知過程中的 LOS 情況如圖 25(a)所示。而 NLOS 傳輸則是指在感知發送端和目標，或者目標和感知接收端之間，存在建筑物、樹木等散射體，導致感知信號除了經過目標反射外，還經過散射體的反射/折射/繞射，使得信號發生多跳反射，其中一

55、種情況如圖 25(b)所示。一般來講，信號經歷的跳數越多，衰減越嚴重。除了 LOS和 NLOS，信號在傳輸過程中，還可能遇到墻體等，導致信號完全被遮擋，而無法到達感知接收端，其中一種情況如圖 25(c)所示。(a)LOS(b)NLOS(c)遮擋圖 25 協作感知過程中的信號傳播情況NLOS 問題有三種處理途徑：識別、消除和利用，其中最后一種可以將 NLOS 從不利因素轉變為有利因素，保證 NLOS 情況下的感知精度18。針對圖 25(b)的場景，我們給出一種具體的場景圖，如圖 26 所示。其中，感知發送節點（節點 A）發送感知信號來感知一個預先檢測到的目標 T，感知回波信號被感知接收節點（節點

56、 B）接收。S為散射體。僅考慮兩跳之內的反射。由引言所述，信號在經歷多次散射后，信號能量大幅削減，以至于無法被接收端檢測并接收。在 A 和 T 之間為 LOS 徑，但 T 和 B 之間的LOS 徑被障礙物遮擋。在環境中另外存在一個散射體 S。目標 T 的位置和散射體 S 的位27置均未知。(a)示意圖(b)幾何關系圖圖 26 NLOS 下的協作感知場景如圖 26 所示，有兩條傳播路徑需要考慮，包括：發送端-散射體-接收端的 LOS 徑（A-S-B），以及發送端-目標-散射體-接收端的 NLOS 徑（A-T-S-B）。如果利用傳統感知方法，即 AoA+時延估計，計算目標位置，將得到一個“假目標”

57、的位置“G”。為了獲得真實目標位置，需要將兩條路徑上各自的 AOA-AOD 進行聯合估計，并結合時延信息，獲得散射體和目標位置。我們在下方提出了一種 NLOS 利用算法。如圖 27 所示，該算法包括以下 5 個步驟：1聯合 AOA-AOD 估計：傳統的 AOA/AOD 測角算法如 MUSIC 等都可擴展到二維聯合估計。獲得兩路信號對應的兩對 AOA-AOD 組合。2A-S-B 路徑距離估計：可以利用 1-D DFT 等3A-S-B 路信號重建與干擾消除：根據估計得到的時延、角度信息，結合路損模型，反推 A-S-B 路信號，并從復合信號中刪除，獲得 A-T-S-B 路信號。4A-T-S-B 路徑

58、距離估計：對 A-T-S-B 路信號執行 1-D DFT 等，獲得時延/距離信息。5目標位置估計：利用幾何關系獲得目標位置。28圖 27 協作感知中的 NLOS 利用算法流程圖我們對以下四種情況進行了仿真對比分析，包括 1）所提算法（包括利用干擾消除），2）所提算法（不利用干擾消除），3）傳統算法（利用傳統 LOS 徑時的算法處理 NLOS徑），4）傳統算法（LOS 徑存在，作為基準）。仿真結果如圖 28 所示，所提方法（紅星）能夠估計目標的真實位置，并且接近 A-T-B LoS 情況（藍星）下估計的位置。如果直接拿 A-T-S-B 的距離和 AOA 估計目標時（紫星），將獲得假目標位置。當不

59、采用干擾消除時（綠星），對 A-T-S-B 路徑的距離估計結果將接近 A-S-B，導致認為目標位于 A、S 之間，又因為其 AOD 方向為 A-T 方向，因此最終估計目標位置將在二者交點，即原點附近，造成較大誤差。圖 28 NLOS 算法的位置估計結果3.9 節點選擇與切換節點選擇與切換感知的可靠性與感知節點和感知目標的相對位置有關，網絡需要感知節點上報相應的輔助信息，以幫助網絡進行更高效、更準確的感知節點選擇。在交通、無人機等一些場景中，感知目標可能處于移動狀態，且需要為其提供持續的感知業務，因此需要考慮感知切換過程設計，以確保感知的連續性。29對于協作感知的模式，如何選擇合適的協作接收節點

60、將影響感知系統的性能和準確性。一般有兩種常用方式來進行節點的選擇，一是利用最近鄰節點確認協作接收節點的方案，選擇與發送節點最近的節點構成協作節點簇進行目標感知，但這個方案的缺點是忽略了目標位置不確定性帶來的影響。二是可以通過多個節點測量并比較接收信號的強度，利用 RSRP 測量值或者 SINR 測量值來確定協作接收節點，但是這個方案的劣勢是忽略了組網環境下其他相鄰節點的干擾信號以及本小區通信終端的影響或多徑信號、雜波信號等回波信號影響。在選擇協作節點進行目標感知時，需要綜合考慮真實路徑損耗和干擾的影響，如何面對實際感知場景選擇協作節點至關重要。因此，可進一步考慮定義每條徑的 SINR（SINR

61、path）。它通過相鄰節點上報回波徑的 SINR，提升感知精度。如圖 3 所示，節點 A通過寬波束探測感知目標，經目標反射后被節點 B、C、D 等相鄰節點接收，其中各個相鄰節點上報第一條遠于直達徑的SINR或第一條遠于直達徑且速度非零的SINR等（用SINRpath表示），通過比較節點 A 各個協作節點的 SINRpath，確定協作節點（比如節點 D），如圖 29 所示。圖 29 協作節點選擇示意圖此外，還可以考慮其他協作節點的選擇方式：候選感知節點進行輔助信息上報，感知網元參考上報的信息，綜合感知節點的能力、狀態、位置等信息進行協作節點選擇的最終決策。例如，協作節點選擇的決策是由核心網網元

62、SF 執行的，但感知節點可以上報輔助信息用于輔助協作節點的選擇。上報內容可以包含：（1）協作感知能力：基本感知能力、數據匯集計算能力等。（2）設備狀態：是否正在進行感知/通信業務、當前可用頻帶、可使用的計算資源等。30（3）推薦節點信息：推薦參與協作的感知節點。例如，基站在可以上報推薦距離位置較優的相鄰基站、已完成精確同步的基站、基于測量得到的干擾較小/信號強度較高的基站?；蛘?，基站可以將小區內可用感知 UE 的精確位置信息、小區內可用感知 UE的狀態信息、感知 UE 或者感知 UE 收發對推薦等。協作節點選定后，可以將所有參與感知的節點以集合的形式表示，并進行維護和更新。如圖 30 所示，節

63、點集的維護流程主要包含四步：節點集的建立，節點的感知操作，節點集的更新和節點的切換。圖 30 感知節點維護流程（1）節點集的建立：節點集的建立需要考慮的因素主要包括感知授權、感知能力、節點位置和感知結果及感知質量等。節點集的建立所需要的信息可以通過 SF 請求節點進行上報，或節點主動上報。（2）節點的感知操作：各節點集中的節點或節點對根據感知業務要求，進行相應的感知操作。對于不同的感知模式和感知系統架構（如分布式和集中式，或緊耦合和松耦合），節點之間以及節點與 SF 之間的信令交互和信息內容不同，需要分別進行設計。（3）節點集的更新：在感知過程中，由于節點能力的變化、節點和目標的移動以及周圍環

64、境的變化等，需要對各節點集進行更新。更新所需要的信息主要包括：節點的能力和位置的變化、目標位置變化，以及節點感知結果的更新等。各節點集會根據這些信息分別進行更新，包括增加、刪除或保留一些節點。（4）節點的切換：各節點集更新后，需要對相關的節點進行切換操作。被刪除的節點停止感知操作，31新加入的節點啟動感知操作，保留的節點繼續進行當前的感知操作。根據業務需求，被刪除的節點在停止操作之前可能需要上報感知配置信息和最近的測量結果，以輔助新節點的感知配置和感知結果計算，保證感知業務的連續性。此外，對于不同感知模式的協作，可分別維護成幾個子集，如基站自發自收子集和基站發終端收子集，如圖 31 所示。在節

65、點建立和更新步驟時，需要綜合考慮所有子集（對應不同的感知模式）和其中的節點，根據特定的規則選取合適的感知模式和對應的節點，構成最終選定的子集。最終選定的各子集分別進行節點的感知操作，如感知信號的配置、發送、接收，以及信號處理和感知數據計算等，然后對所有子集的感知數據進行融合，得到最終的感知結果。對于所使用的感知信號，可以綜合考慮各感知模式和節點，進行感知信號的共享，以最大化感知信號和感知資源的利用率。圖 31 多感知模式和感知節點協作的節點選擇示例第四章 多模態協作感知算法本章聚焦多模態協作場景，介紹無線感知和攝像頭融合的協作算法。多模態協作的信息融合策略主要可以分為三個層面上的融合，即決策級

66、融合，數據級融合，特征級融合1920，如圖 32 所示。在決策級融合中，不同傳感器首先進行獨立的目標檢測，所獲得的檢測結果再通過聯合分析得到最終的檢測結果。不同傳感器在檢測時會受到不同類型噪聲的影響，這些噪聲難以進行統一的建模分析，這對聯合分析有較大影響。在決策級融合方法中，傳感器所獲得的原始感知信息被忽略，僅利用了檢測結果，檢測性能較差。不過決策級融合算法復雜度低，實現難度小。數據級融合方法使用某些傳感器的檢測結果增強其他傳感器的檢測結果。在攝像頭與雷達融合的研究中，一般使用雷達信息在圖像上生成感興趣區域(RoI)，然后在 RoI內執行目標檢測。不同數據級融合方法的區別主要在于基于圖像的目標

67、檢測方法不同。32由于生成的 RoI 的質量與雷達檢測結果密切相關，最終的融合效率也受到其限制，而且雷達未能檢測到的目標將會被直接忽略，造成目標的漏檢。特征級融合隨著深度學習技術的發展，逐漸成為一種高性能的融合方法。在特征級融合方法中，雷達點首先會被投影到二維圖片平面。然后對雷達數據和視覺圖片進行特征提取與融合的操作。相比于前兩種融合方法，特征級融合能夠更充分地利用雷達和攝像頭獲得的原始信息，但是也需要消耗更多的計算資源。圖 32 三種主要的雷達與視覺信息融合策略本章介紹一種基于自適應多策略信息融合的二維目標檢測方法，該方法通過雙邊濾波增強毫米波雷達數據特征，設計自適應融合網絡，實現雷達與圖像

68、特征的多層次融合，并在特征級和決策級實現多策略信息融合，顯著提升了二維檢測任務的性能。此外，提出了一種基于雷達區域建議網絡和深度增強的三維目標檢測方法，通過毫米波雷達點構建區域建議網絡，并結合雙邊濾波增強深度特征，有效改善了單目圖像的深度信息缺乏問題，顯著提升了三維檢測任務的性能21。4.1 基于自適應多策略信息融合的二維目標檢測方法基于自適應多策略信息融合的二維目標檢測方法基于自適應多策略信息融合的二維目標檢測方法分為四部分，如圖 33 所示，包括雷達數據轉化及預處理，雷達、視覺圖像特征提取及信息融合，目標檢測網絡，檢測結果決策級融合。具體的，雷達數據轉化是將原始雷達點數據轉化為類似 RGB

69、 形式的三通道雷達特征圖，預處理則是將雷達點投影在視覺圖像上，根據其位于二維包圍框內外比例決定該組雷達視覺數據是否用于融合檢測網絡；特征提取階段采用特征級融合，使33用層間融合的方式對每個尺度的特征層進行融合，對于純視覺檢測，僅對圖像進行特征提??；目標檢測網絡使用孿生網絡模型，分別對雷達視覺融合特征圖和純視覺特征圖進行檢測；檢測結果決策融合階段將兩個檢測網絡的結果融合，并消除其中重復目標的二維框。圖 33 自適應多策略信息融合網絡流程圖由于原始雷達感知數據無法直接作為神經網絡的輸入，更無法與圖像直接融合，因此我們采用將雷達感知數據轉化為類似 RGB 圖像的多維矩陣形式的方案用于將其與圖像數據進

70、行融合，這也是當前特征級融合的主要融合方法。本節將雙邊濾波用于雷達圖像，其核心思想是綜合考慮兩個像素點的空間位置和灰度差值的相似性，本節所提出的雷達數據增強方法核心思想即通過雙邊濾波來判別圖像上某一點和雷達點投影位置處的相似性，并以此來拓展該雷達點的影響范圍，最終將每個雷達點都拓展為雷達矩陣，生成雷達稠密圖像（Radar Dense Image，RDI）。由于毫米波雷達數據的稀疏性，由其轉化而來的雷達特征圖像中存在的雷達點也十分稀疏，雷達點僅分布在視覺圖像的中間位置，為了使雷達和視覺的特征信息融合可以達到最好的效果，我們設計自適應融合方案，選擇多個尺度特征圖進行融合，并自適應學習融合權重?？紤]

71、到雷達噪聲數據的引入可能會使網絡丟失部分目標，因此使用特征級、決策級融合結合的多策略融合方式，以及使用雙支路網絡結構，分別為毫米波雷達視覺融合檢測網絡和純視覺檢測網絡，對于兩條支路的檢測結果，使用非極大抑制（non maximum suppression，NMS）消除同一目標34的重復框。采用特征級、決策級融合結合的多策略融合方法，在骨干網絡中使用特征級融合策略，對雷達和視覺信息進行早期融合；在檢測結果階段使用決策級融合，對雷達和視覺信息進行晚期融合。其中決策融合的目的是進一步消除雷達信息引入的新噪聲導致的目標丟失，最大程度提升目標檢測性能。表 1 二維目標檢測的多策略融合性能對比 100.5

72、0100.75100100100100單策略融合69.687.876.351.367.081.3多策略融合70.989.577.251.568.083.1 1 10 100100100100單策略融合14.265.877.766.976.485.9多策略融合14.267.379.568.477.687.8仿真結果如表 1 所示，單策略融合指特征級融合方法，多策略融合指特征級+決策級融合方法。多策略融合方法的整體性能更優，其中平均召回率（AR）的提升相較于平均準確率（AP）更明顯，原因在于多策略融合方法將多模態融合方法漏檢但純視覺方法正常檢測的目標補充到最終結果，最大程度避免漏檢，因此對召回率的

73、提升作用更明顯。4.2 基于雷達區域建議網絡和深度增強的三維目標檢測基于雷達區域建議網絡和深度增強的三維目標檢測方法方法本節提出一種基于雷達區域建議網絡和深度增強的三維目標檢測網絡（以下簡稱3DRrpn-depth），其總體結構如圖 34 所示。對于區域建議網絡（Region Proposal Network，RPN）生成的二維先驗錨框，首先通過毫米波雷達點中包含的坐標信息對其進行修正，然后通過與真值框計算交并比為每個二維先驗框選擇一組三維真值框，取其均值作為二維先驗框對應的三維先驗框（其中交并比為兩個像素集合的交集里面所包含的元素個數除以它們的并集里面所包含的元素個數，在目標檢測任務中常用來

74、描述兩個框之間的重合度）。對骨干網絡輸出的圖像特征圖，由所提出的深度特征增強模塊處理，便于神經網絡從中學習圖像的深度信息特征；骨干網絡指的是用于數據高維抽象特征提取的網絡，其作用就是提取圖片中的特征，供后面的網絡使用。35圖 34 三維目標檢測網絡（3DRrpn-depth）總體結構圖 34 中的雷達區域建議網絡 RRPN 的工作流程如圖 35 所示，首先參照傳統 RPN在原始圖像經過骨干網絡 Densenet-121 處理后得到的圖像特征圖上逐像素生成包含目標的二維錨框，對于尺寸為 h w 的特征圖，在每個位置生成 na個錨框的情況下共計生成 na h w 個錨框，然后將這些錨框由特征圖映射

75、回原圖片，最后需要將每張圖片對應的毫米波雷達點信息導入。圖 34 中的深度特征增強模塊用于骨干網絡 Densenet-121 特征提取之后、預測網絡之前，是對骨干網絡 Densenet-121 所提取的圖像特征圖的深度信息增強。深度特征增強模塊的工作示意圖如圖 36 所示，即通過雙邊濾波器生成單通道矩陣，并使用歸一化后的深度信息填充該矩陣得到深度矩陣，其中深度信息表征三維距離且與光學圖像像素級對應，最終將深度矩陣與圖像特征圖相乘得到增強深度特征。經過以上操作后，每個雷達點影響范圍內都被深度信息填充，并且該深度信息以一個大于 1 的系數形式乘在圖像特征圖的對應區域，使得雷達點影響區域內圖像特征更

76、突出，同時也包含了深度信息。圖 35 雷達區域建議網絡工作流程36圖 36 深度特征增強模塊工作流程本節提出的基于雷達區域建議網絡和深度增強的三維目標檢測網絡 3DRrpn-depth與對比方案的特征級融合網絡模型 M3D-RPN、C3D-radar 在 nuScenes 數據集上的性能對比如表 2 所示，nuScenes 數據集為包含車輛前向視覺與毫米波雷達數據的自動駕駛數據集。表 2 不同方法的三維目標檢測性能對比403|DRAP(IoU0.5)40|BEV RAP(IoU0.5)簡單中等困難簡單中等困難M3D-RPN23.5719.3418.4827.2522.6419.72RRPN25

77、.2020.4319.1829.6124.2920.87深度特征增強25.3120.9319.8029.7624.5721.043Drpn-depth（RRPN+深度特征增強）26.2121.1519.9530.3025.2121.44C3D-radar9.317.527.2213.510.6710.36實驗結果表明本節提出的三維目標檢測網絡 3Drpn-depth 相較于對比方案均達到了明顯的性能提升效果，在簡單和中等難度目標上的提升尤為明顯，對于困難難度的目標，提升效果有所退化，綜合而言驗證了通過毫米波雷達信息和視覺圖像信息的融合來實現深度信息補充從而提升三維目標檢測性能的可行性。第五章

78、多頻段協作感知算法本章主要介紹多頻段協作算法，包括基于譜峰聚合的多頻段融合算法以及基于特征37向量的多頻段融合算法，將載波聚合思想與無線感知相結合，從而獲得大信道容量和高精度感知。5.1 系統模型系統模型本章所給出的系統模型考慮單個基站自發自收的多頻段協作場景，并可以拓展為多基站、多目標的場景。在第k根發射天線上，第m個 OFDM 符號時間的第n個子載波上的一體化發射信號可以表示為：c112()100(),rectbbbMNjfn ftbkbbmntmTx txk n m eT B其中，1,2B=表示頻段的集合；,bxk n m表示通信數據；bcf表示第b個頻段的載波頻率；bf表示第b個頻段的

79、子載波間隔；s1bbbfTT表示第b個頻段的符號總長度，其中sbT是循環前綴（Cyclic Prefix,CP）的長度；rect 矩形窗函數。不考慮噪聲的前提下，對于第b個頻段的回波信號，在第m個 OFDM 符號時間內的第n個子載波上的回波感知信號表示為：s022T,RxRxTxTx,()()bbdjf mTjn fbbbm nSm neeyaax其中，2340()(4)bbbSSr表示目標與基站之間的衰減，包括反射系數bS和路徑損耗；0r表示目標與基站的相對距離，002r c表示相對距離所產生的時延；bbcc f表示波長，c表示光速；1,Nbm nTx表示發送的數據向量；RxRx()a和Tx

80、Tx()a分別是接收和發射轉向矢量，表示為：rRxRT2()sin()RxRx0,1,1()|bdjppNearTxTT2()sin()TxTx0,1,1()|bdjkkNea其中Rx和Tx分別表示到達角（Angle ofArrive,AoA）和離開角（Angle of Departure,AoD），rd表示天線之間的距離。當得到第b個頻段的回波信號后，則對于總的通感一體化信號回波，在第m個 OFDM 符號時間內的第n個子載波上，表達為：38,1SbSm nm nm nbyyzB其中,Sm nz表示加性高斯白噪聲（Additive White Gaussian Noise,AWGN）向量。5.

81、2 基于峰譜聚合的多頻段融合算法基于峰譜聚合的多頻段融合算法假設參與協作感知的總頻帶數為 B。所提算法是基于峰譜聚合級的多頻段融合算法，融合算法采用如下公式：?=122?其中?和?分別表示單一頻段和協作感知的峰譜信息，和2分別表示第 b 個子帶的信號功率和噪聲功率信息。對于速度的協作感知，雖然符號的持續時間相同，但是不同子帶的多普勒頻率不同，多普勒計算公式為：=2。其中表示目標速度的對感知收發端的徑向分量。我們對三個子帶進行了多頻段融合，在目標徑向速度對 B 個子帶相同的情況下，每個子帶的不同，因此，三個子帶的峰譜無法直接加權合并。針對此問題，我們提出如下解決方案。根據 2D-FFT 算法的定

82、義，第 n 個點的 FFT 結果為，=。當每個子帶 SCS 相同時，也相同。表示第 b 個子帶多普勒頻率所在的點，則=2，其中 b=1,2,B.如果每個子帶 FFT 結果分別除以各自子帶的f,則有如下?=此時，三個子帶對應的經過變換的多普勒頻率相等，即峰值在相同位置。但是由于各個子帶處理后的峰譜的譜間隔不同,需要在對應位置補零?；谒岫囝l段協作感知算法，我們對距離和速度估計進行了蒙特卡洛仿真，結果如圖 37 所示。從圖中可以看出，所采用的基于峰譜聚合的協作感知算法相比其他單頻點感知獲得更優的距離和速度估計性能，僅在 SNR=-30 -20dB 時，協作感知算法的速度估計性能略低于3=15GH

83、z 的單子帶估計性能。產生性能差異的原因隨著數值提升，速度分辨率提高，估計精度提升。此時聚合多個峰譜的精度可能略低于性能最優的峰譜。此外，對比距離估計的 RMSE 結果可以看出，在多數情況下，基于峰譜的融合39感知算法性能優于基于結果級融合的感知算法。在速度估計方面，融合感知算法的性能在多數情況下優于單一子帶感知。對比不同單一子帶的感知結果可知，在載波間隔、帶寬、發射功率、時域信號持續時間等其他條件相同的情況下，載波頻率越高，速度感知精度越高。(a)距離估計 RMSE 曲線(b)速度估計 RMSE 曲線圖 37 基于峰譜聚合級的多頻段融合算法距離估計和速度估計的 RMSE 曲線5.3 基于特征

84、向量的多頻段融合算法基于特征向量的多頻段融合算法基于特征向量的多頻段融合算法處理流程圖如圖 38 所示，該算法的核心是高低頻數據的融合處理45。在第b個頻段的第p個接收天線上的信道信息矩陣可以表示為：rRxss00s0s00s0s2sin(),22(1)22222(1)2(1)2(1)22(1)2(1)1bbbbbddbbdbbddbbdbbdjpbp bbm nSjf TjMf Tjfjfjf TjfjMf TjNfjNfjf TjNfjMf TeeeeeeeeeeeeeSX其中,bm nX是剔除通信符號后所產生的復數因子。第b個頻段的速度和距離特征向量可以表示為：000T222(1)1,.

85、dddjfjn fjNfbSeeeRc0c0c0222222(1)1,bbbbbbf vf vf vjTjmTjMTcccbSeeeV40經過預處理后，高低頻的相位實現了對齊。接著，對于高低頻距離特征向量的融合，首先通過數據整合，消除高低頻子載波間隔參數的差異。具體而言，我們通過觀察高低頻距離特征向量的理論元素值，發現了高低頻上感知信息的一致性，即高低頻距離特征向量中存在著規律分布的相同元素?；谏鲜隼碚摂抵捣治?，得出結論：可以將高低頻距離特征向量進行整合、疊加為新的特征向量用于距離估計。對于速度估計也是類似的道理。我們基于系統的靈活結構，推導出滿足高低頻速度特征向量融合的循環前綴設置條件。從

86、而可以直接進行將高低頻速度特征向量進行相干積累來提高信噪比。需要注意的是，由于高低頻信號的衰減、損耗、反射系數等差異，使得高低頻特征向量的信噪比不同。我們采用最大比合并的方式，即給高低頻特征向量分配不同的權重來實現融合。圖 38 基于特征向量的多頻段融合算法(a)距離估計的 RMSE(b)速度估計的 RMSE圖 39 基于特征向量的多頻段融合算法的仿真結果41觀察圖 39 的仿真結果可知，所設計的基于特征向量的多頻段融合算法可以充分利用碎片化資源，進而獲得大信道容量和高精度感知，其中距離的感知精度可以達到厘米級，速度的感知精度可以達到 0.1m/s。第六章 多節點協作感知算法通過多節點的數據融

87、合，可以獲得協作增益。一方面在于減小隨機誤差帶來的影響，單感知接收端獲得的距離、多普勒等目標測量值存在隨機誤差，多節點測量及融合可以消除隨機誤差的影響；另一方面，多節點協作可以獲得多倍、多維的目標測量值進行感知定位。對于基站間的協作感知，如圖 40 所示主要包括三種實現方式：方式 1：信號級融合。信號級融合直接將接收信號或原始信道信息加權融合2223，包括接收信號或信道響應的幅度/相位、I 路/Q 路數據等。接收節點對接收信號不做任何處理，直接將原始信號發送給服務器，服務器按照一定權重進行疊加合并后再進行優化處理提取感知信息。由于信號級融合利用了原始信號或信道信息，沒有引入額外的信號處理及其帶

88、來的誤差，因此該方式可以獲得全局最優解。然而，由于需要將原始信號發送給服務器，或者利用相參的方式對發送信號進行校準使其在接收端可以完成相干疊加，信號級融合的流程復雜、占用傳輸資源多，一方面需要設計低采樣頻率或截取信號等方式降低通信資源開銷，另一方面需要對感知的網絡架構進行優化。方式 2：符號級融合。符號級融合方式是對感知測量值進行融合2425。各個接收節點對各自接收到的反射信號進行處理，獲得時延、角度、多普勒等感知測量值，并將上述測量值及其多維組合發送給服務器進行數據融合。在符號級融合中，接收節點僅將若干個感知測量值發送給服務器，傳輸數據量較小，降低了數據傳輸開銷。理論上來說，如果各個節點上的

89、感知測量值可以達到參數估計的克拉美羅界，那么可以基于此感知測量值和感知測量值的方差設計加權最小二乘的算法，使最終的感知結果達到協同感知的克拉美羅界26，即獲取到最優的性能。而在實際中，感知測量值可能無法達到克拉美羅界，感知測量結果的方差也不易獲取，因此性能會有所損失。此外，協作接收節點還需要額外上報指示目標的參數，輔助服務器進行同目標的數據配對，進而完成數據融合。方式 3：數據級融合。數據級融合是對感知結果的直接融合。首先由每個接收節點對各自接收到的信號進行處理，利用各自測量的時延與角度等信息獲得位置信息等感知結果，再將感知結果發送給服務器，服務器只需要對所有感知結果進行聚類并計算加權42平均

90、即可。在數據級融合中，接收節點僅將若干個感知結果發送給服務器，傳輸數據量最小，對通信資源的開銷最小。由于每個接收節點計算目標位置的時候引入了由于噪音、盲區等方面帶來的多個誤差，數據級融合定位誤差最大。為了提升精度，服務器需要根據每個接收節點的接收 SINR、盲區位置等對數據進行篩選，保留相對誤差較小的數據進行融合。本章下方 6.1 小節將首先定義系統模型，6.2-6.4 小節將分別對信號級融合、符號級融合、數據級融合三種方式給出多種融合算法。圖 40 不同協作層級示意圖6.1 系統模型系統模型如圖 3 所示，多節點之間的協作方式包括多個自發自收的協作、自發他收的協作和自發自收與自發他收的一體協

91、作。對于多個自發自收的協作，通常每個節點將各自接收的感知數據發送到融合中心進行融合（包括信號級、符號級和數據級）；對于自發他收，不同的感知數據在被動接收端或進行融合處理（包括信號級、符號級和數據級）；對于自發自收與自發他收的一體協作，不同的感知數據在接收端進行融合處理（包括信號級、符號級和數據級）。下面我們給出自發自收和自發他收的發送和接收信號模型。對于自發自收與自發他收的一體協作，信號模型包括上面兩類，這里不再贅述。在 OFDM 通信感知一體化場景下，發射信號表達式為：0011(2(),00()rect()scNNjfm f tssmTmtTstdeT 43式中sN為 OFDM 符號數，cN

92、為載波數，,md是在第 m 個子載波上的第個 OFDM符號。0f是上變頻頻率，m f是第 m 個子載波的調制頻率，sT是單個符號持續時間，包括了符號時長0T和循環前綴時長gT。rect(*)是窗函數，在每個符號持續時間sT內，窗函數的值為 1，其余時刻為 0。對于徑向速度為v，距離為R的目標，定義U為復幅度衰減，自發自收的信號回波表達式為：211,02202()rect()DscsRNNsjm fjmcfTRmsRtTcstUdeeT 自發他收的信號回波表達式為：221122,002()rect()scsDR RNNsjm fjTcmsfPmRRtTcstUdeeT 其中2R表示目標到被動接收

93、端的距離，2Df表示移動目標對被動信號產生的多普勒頻率偏移。6.2 信號級融合信號級融合本小節介紹一種基于全相參原理的信號級融合算法，通過對各發射信號的時延、相位等參數進行同步和調整，使得不同發射信號最終在目標處同時同頻同相疊加，從而大幅提升信號功率及信噪比，獲得較優的感知精度2728?；谌鄥⒃淼娜诤戏椒煞譃槿齻€階段。第一個階段是搜索和截獲階段，不同發射機生成同頻但不同編碼方式的窄帶正交信號并發送，利用相參積累和非相參積累來提高信噪比，以截獲目標。第二個階段是跟蹤階段，如圖 41 所示，對各接收機的信號進行 MIMO 模式相參處理，估計不同接收信號間的時延、相位差參數，在實現信號間同步

94、后對所有信號進行求和，即可實現系統的接收相參。對于 N 發 N 收的 MIMO 系統，可以形成關于同一目標的2N路回波接收通道，從而獲得最大為2N的信噪比增益。44圖 41 分布式全相參方法的 MIMO 模式接收相參處理框圖第三個階段是相參跟蹤階段，如圖 42所示，所有發射機改為發射同頻同編碼的寬帶相參波形，中央處理器對各發射機信號的延時及相位進行校準，使得所有發射機的信號在目標處同相疊加，實現發送相參。通過上述的發射相參和接收相參，最終實現全相參。對于 N 發 N 收的全相參系統，每個接收機都能收到來源于 N 個發射機的相參信號，獲得最大為2N的信噪比增益；N 個接收機信號相加進一步獲得最大

95、為 N 的信噪比增益，全相參系統總計能夠獲得最大為3N的信噪比增益。圖 42 分布式全相參方法的收發相參模式相參處理框圖假設以基站 1 參數為基準，基站 2 信號的時間同步誤差為，相位同步誤差為。兩基站使用兩相互正交的脈沖信號 1ts和 2ts為基帶信號，則發射信號可表示為：j211j 222ftftttxsettxse設兩信號到達目標的時延分別為1和2，則到達目標時兩信號表達式為：4512j21111j 22222f tf tttxsettxse 兩信號到達目標時的時延、相位差異即為待估計的相參參數。兩基站接收所有回波信號，接收信號經過下變頻后的表達式為：112122-j22j 211212

96、1-j 2j2211222222ffffttysesettysese 對于基站 1，分別使用與 1ts和 2ts相對應的匹配濾波器對接收信號1y進行處理，兩匹配濾波器輸出信號峰值對應時延分別為12和12，對應相位分別為122f和122f，因此兩信號時延、相位差異估計值為：1212112Tf同理，基站 2 分別使用與1ts和2ts相對應的匹配濾波器對接收信號2y進行處理，匹配濾波器輸出信號峰值對應時延分別為12和22，對應相位分別為122f和222f，因此兩信號時延、相位差異估計值為：2212122Tf將上述時延、相位差異估計值取均值，即可得到相參參數的準確估計，并以此參數對兩個發射信號進行調整

97、，所有基站發射波形相同的信號，實現信號的接收相參及發射相參，即實現全相參。下面給出基于全相參原理融合算法的仿真結果29，其中信號載頻為 200MHz，基帶信號為時寬 5ms、帶寬 0.3MHz 的線性調頻信號，脈沖重復頻率為 300Hz，積累脈沖128 個?；?1 回波信號多普勒頻率為 400Hz，基站 2 回波信號多普勒頻率為 500Hz，信號間相位差為/3。兩基站分別獨立對目標回波進行積累后的頻域表示如圖 43(a)和圖 43(b)所示。在估計相參參數后，兩基站信號實現接收相參所得合成后的信號如圖 44所示。比較圖 43(a)、圖 43(b)和圖 44 可知，兩基站接收信號相參合成后，檢

98、測信噪比提高了約 2.5dB。46(a)相參合成前基站 1 接收信號(b)相參合成前基站 2 接收信號圖 43 參合成前的接收信號圖 44 兩基站接收信號相參合成結果6.3 符號級符號級融合融合6.3.1 多個自發自收的協作場景下的融合算法多個自發自收的協作場景下的融合算法本小節介紹一種基于最小誤差累積的多基站融合算法。在 A 發 A 收場景下，各基站的感知較為獨立，缺少相關性，無法確定融合依據參量。因此30提出一種基于誤差累積的融合算法，搜索相對于多個基站誤差累積最小的格點作為融合結果。同時數據級融合信息損失較多，因此采取符號級融合的方式，提取感知信號的相位、譜函數等信息進行融合，可以顯著提

99、升感知精度，同時降低對同步精度的需求。融合算法分為單站預處理和晶格點搜索兩步，如圖 45 所示。單個基站采用 MUSIC 算法，接收天線為平面陣，可估計來波方位角和俯仰角。將多個向量的譜函數疊加，得到高精度的距離、徑向速度、角度估計結果?？勺鳛橄乱徊秸`差計算的參考值，并為格點搜索提供更精確的范47圍。疊加后的譜函數如下所示,11()()()dd nlNHHd nld c nd c nd nlcPRRRkUUk,11()()()dv nlNHHv nlv c nv c nv nlcPvvvkUUk,11(,)(,)(,)ra nllNHHa nlla r na r na nllrP kUUk將多

100、站定位和速度估計的均值作為晶格點搜索中心，計算格點 q 與各基站間參數向量與預處理過程中噪聲子空間的正交向量 P，以此參數作為誤差的定量評價值。定位融合時計算距離和角度誤差的累積值，速度融合時計算徑向速度的累積值。,1()(,)fNl qd n qn qa n qn qn qnWPRP,1fNv qv n qnWP搜索得到與多個基站間誤差累積最小的格點，作為融合結果。圖 45 基于最小誤差累積的多基站融合算法流程圖通過 300 次蒙特卡洛仿真，計算其均方根誤差（Root Mean Square Error,RMSE）。比較提出的符號級融合算法與單站感知結果、均值融合算法、數據級融合算法的性能對

101、比。其中數據級融合算法誤差計算為格點 q 參數值與單站預處理結果差的絕對值累積。48其中不同信噪比場景下，設第一個基站信噪比為-10dB，第二個為-12dB，第四個為-10dB。由圖 46和圖 47的仿真結果可以看出，符號級融合算法在無人機定位和速度估計方面具有最佳的性能，且隨基站信噪比變化其波動較小。(a)不同信噪比場景(b)相同信噪比場景圖 46 基于誤差累積融合算法的定位融合結果(a)不同信噪比場景(b)相同信噪比場景圖 47 基于誤差累積融合算法的速度估計融合結果6.3.2 自發他收的協作場景下的融合算法自發他收的協作場景下的融合算法本小節介紹一種基于網格搜索的多基站感知融合算法，流程

102、如圖 48 所示。該方法考慮了 A 發 B 收下的同步誤差消除問題和多節點回波數據的符號級融合感知處理問題31。針對同步誤差的消除，該算法提出了基一種于直射徑與非直射徑的互相關消除方法。具體的，首先根據能量強度，分離直射徑信號與非直射徑信號，并經過預處理模塊，包括通信信息剝離、互相關等操作，從而獲得距離和速度特征向量。針對多節點回波數據的符號級融合難題，主要的解決思想是將感興趣的目標位置與速度區域進行網格化計算網格點的被動時延和多普勒信息，得到時延特征矩陣和多普勒特征矩陣。接著與距離、速度特征向量進行符號級融合處理，從而獲最終的目標位置和絕對速度估計值。獲得的第 i 個節點的距離和速度特征向量

103、分別表示為：49,p,ns,p,ns,p,ns,p,nsT24221,iiicicjfjfjn fjNfNieeeeF和sym,p,p,psym,p12422,iiiiMjTfjTfjmTfjMTfieeeeE同時，第 i 個時延特征矩陣和多普勒特征矩陣分別表示為：2122122222212121111ciiiQiiiQcccrrrjfjfjfcccrrrjNfjNffNijNcQcceeeeee G和symsymsymsy11,p,p22,p,p,pm,p112222212111iiiiSKSKiijTfjTfjTfjTfKjTfjTMfMSMiMeeeeeeS圖 48 基于網格搜索的多基站

104、感知融合算法圖 49 給出了仿真結果，隨著協作的基站數目增加，感知誤差持續下降，所提出的基于符號級融合的多基站協作感知方案可以實現高精度的定位和測速，且感知性能隨著協作基站的增加而提升。50(a)(b)圖 49 基于網格搜索的多基站感知融合算法的(a)定位 RMSE(b)測速 RMSE6.3.3 自發自收與自發他收的一體協作場景下的融合算法自發自收與自發他收的一體協作場景下的融合算法本節針對自發自收與自發他收的一體協作場景，如圖 50 所示，提出一種基于合作的自發自收和自發他收聯合感知方案。該方案依賴于以自發自收感知方式為參考，通過關聯自發自收和自發他收感知信息來緩解時間偏移（Time Off

105、sets,TOs）和載波頻率偏移（Carrier Frequency Offset,CFO）。并重點克服被動感知中的異步性問題和天線陣列規模有限的低復雜度高精度到達角（Arrive ofAngle,AoA）估計挑戰32。圖 50 雙基站協作感知場景圖設兩基站對目標進行感知，m和fm分別表示時變的 TO 和 CFO。由于基站 1和基站 2 的位置信息不同，對同一目標的自發自收和自發他收感知的時延和多普勒頻移估計也存在一定偏差。為實現對目標的參數估計，在對目標回波信號進行解調后，使用逐點復數除法從接收的調制符號中提取感知信息?；?1 提取的信號矩陣可表示為：1,1,divRDkkkkkD其中表示

106、克羅內克積，51 1,1,1T2211,1,01,lllLjkjfjNfRllkka eee,1,1,1T2211,1,01,lDlDlLjkjTjMTffDllkka eee同理由基站 2 提取的信號矩陣可拆分為如下兩個矢量的克羅內克積 2,2,1T2212,2,01,lllLjkjfmjNfmRllkkaeee ,2,2,T1212112,2,01,lffDlDlLjkjTjMTMffDllkkaeee同一目標的自發自收和自發他收感知之間的延遲和多普勒頻移的偏差可以分別表示 為和Df。為了補償 m，我們提出了一種互相關協同感知（Cross-Correlation Coopertive Se

107、nsing,CCCS）算法，如圖 51 所示。針對1,Rk和2,Rk的CCCS 算法可表述為 T2212,1,1,HjfmjNfmRRRdiagkeek為了補償 fDmf，針對1,Dk和2,Dk的 CCCS 算法可表述為 T22112,1,1,ffDDHjTmjMTMffDDDdiagkeek其中，m 被轉換為沿載波頻率軸變化的調制符號之間的線性相移，fDmf被轉換為沿 OFDM 符號軸變化的調制符號之間的線性相移。因此，m 和 fDmf可以使用離散傅里葉變換算法估計出來。52圖 51 互相關協同感知算法的流程圖圖 52 和圖 53 展示了不同 TO 和 CFO 條件下測距測速的歸一化均方誤差

108、（Normalized Mean-Squared-Error，NMSE）。仿真結果表明，TO 會導致測距精度降低，CFO 會導致測速精度降低。如圖 52 所示，TO 的均值E越大，距離估計精度起伏越大，E越大，則測距的 NMSE 越大，說明測距性能降低。如圖 53 所示，CFO 的均值E越大，速度估計精度起伏越大fE越大，則測速的 NMSE 也越大，說明測速性能降低。圖 52 不同 TO 下的測距 NMSE53圖 53 不同 CFO 下的測速 NMSE6.4 數據級數據級融合融合數據級融合主要有四類主要方式，包括算術平均法、加權平均法、柵格聚類法、濾波器遞歸法：1）基于算術平均的融合算法：對各

109、基站獲得的感知數據取算數平均，適用于測量誤差均勻分布的場景。算術平均法可以降低噪聲的影響，提高感知精度。這種方法簡單易行，但對異常值敏感，在存在較大誤差的情況下效果不佳。2）基于加權平均的融合算法：根據各基站測量的可靠性賦予不同權重，適用于各基站測量精度差異較大的情況。加權平均法通過對每個節點的測量值賦予不同的權重，使得測量精度較高的基站對最終結果的貢獻更大。權重的確定可以根據測量信號的信噪比、節點的位置以及歷史測量數據的可靠性來進行。3）基于柵格聚類的融合算法：該方法是指基于感知場景和配置參數制定三維柵格，通過三維柵格確定同一真實目標的各基站獲得的多個目標估計結果，對位于同一個三維柵格內的多

110、個目標估計結果（時延量測、角度量測和多普勒量測）進行融合，獲得融合后的目標估計結果。該方法通過制定不同大小的柵格可以準確地融合多個基站的量測結果，提高感知精度。4）基于濾波器遞歸的融合算法：基于用戶移動過程中與周圍基站通信產生的多徑數據，利用濾波器以遞歸的方式融合歷史時刻先驗信息和當前時刻觀測數據，在貝葉斯推斷的框架中實現對無線地圖特征多目標的動態估計。該方法利用擴展卡爾曼濾波器融合多基站LoS徑參數對用戶進行定位，將用戶位置估計結果作為PHD濾波器（Probabilityhypothesis density，概率假設密度）先驗，結合 NLoS 徑參數構建基站本地地圖。本節將對以上四類方法的具

111、體算法進行詳細介紹。546.4.1 基于算術平均的融合算法基于算術平均的融合算法算術平均對異常值敏感，一種常見場景為當待感知目標的回波信號功率較弱時，如果噪聲峰值幅度超過目標峰值幅度，將會造成目標峰值 IFFT 采樣點序號判斷錯誤，造成極大的距離估計誤差。例如，仿真中觀察到，距離不同的某兩個基站正確判斷出目標峰值 IFFT 采樣點序號的概率分布為 40%和 70%，距離遠的基站獲得正確采樣點序號的概率更低，由于 30%甚至 60%錯誤感知數據的引入，如果簡單的用所有獲得的感知數據進行算數平均，感知精度會很差，因此，我們可以利用改進的算數平均融合算法剔除異常值影響，以提升感知性能，具體為對獲得的

112、感知數據進行篩選，用可信度更高的感知數據（如上述 40%和 70%中的部分數據）進行算數平均計算感知結果。圖 54（a）給出了不對估計坐標進行任何處理的定位誤差 CDF 分布，圖 54（b）給出了重復測量（10次）并利用改進算術平均法處理后的定位誤差 CDF 分布。由仿真結果可以看出，通過多次測量并進行改進算術平均數據融合處理可以有效去除由于噪聲引起的異常距離估計值。(a)(b)圖 54 定位誤差 CDF 分布(a)未進行數據融合(b)采用改進算術平均數據融合處理6.4.2 基于權重迭代的融合算法基于權重迭代的融合算法基于權重迭代的數據級融合算法示意圖如圖 55 所示，每個感知接收節點可以利用

113、6.1 節方法感知接收節點獲得關于目標的到達角、時延等數據，并將數據發送給服務器或數據處理單元，服務器或數據處理單元假設目標位置為,，并計算假設位置對應的到達角?與時延?數據，根據最小誤差原則優化,值，可以寫成min,=1?+?和為每個節點權重，可以賦予接收信干噪比值。在該融合方式中，每個節點僅55需要傳輸一對到達角與 N 個時延數據，服務器或數據處理單元需要迭代優化,使上述優化問題值最小。該融合方式僅需要迭代優化使 2N 個數據值誤差最小，因此計算開銷與數據傳輸開銷較小。同時，為了提升優化速度與精度，可以利用部分數據計算一個優化初始值。例如，利用兩個接收節點估計的角度可以獲得目標位置=2 1

114、+1tan2 2tan1tan1 tan2=2 1+1cot1 2cot2cot1 cot2和可以利用節點接收信號質量參數，例如參考信號接收功率 RSRP。類似的，接收節點獲得目標多普勒速度后發送給服務器或數據處理單元，服務器或數據處理單元假設目標速度為,，并計算假設速度對應的多普勒速度數據，根據最小誤差原則優化,值，可以寫成min,=1+?求解該問題即可獲得目標最佳的速度估計。同樣可以利用兩個接收節點測量的多普勒速度計算目標速度的初始估計值如下,=,1,1,2,2112其中,=,+,，,=,+,利用該目標速度初值可以加速優化，提升測速精度。圖 55 多節點數據級融合56圖 56 給出了仿真結

115、果，隨著協作的基站數目增加，感知誤差持續下降，所提出的基于數據級融合的多基站協作感知方案可以實現高精度的定位和測速，且感知性能隨著協作基站的增加而提升。(a)(b)圖 56 數據級融合的(a)定位的 RMSE(b)測速的 RMSE6.4.3 基于柵格聚類的融合算法基于柵格聚類的融合算法柵格聚類是指基于感知場景和配置參數制定三維柵格，通過三維柵格確定同一真實目標的各基站獲得的多個目標估計結果并進行融合。在數據級融合中為了減小數據傳輸量，在多節點融合技術中可以選擇接收信號功率（例如：RSRP）最強的多個感知收發節點參與數據級融合，或者選擇接收信號功率滿足一定門限的多個感知收發節點參與數據級融合。以

116、雙層蜂窩網絡（7 基站 21 扇區）下的基站 A 發 B 收為例，針對某個感知目標，首先建模 21*21 個收發扇區 pair 和感知目標的大尺度信道，挑選大尺度 RSRP 最大的M個收發扇區pair作為協同感知的收發節點，或者挑選大尺度RSRP大于預設RSRP門限的收發扇區 pair 作為協同感知的收發節點；然后建模用于協同感知的多收發扇區pair 和感知目標之間的小尺度信道，產生信道系數。每個感知接收節點對目標進行檢測并估計。檢測方法可以基于 RD 圖進行譜峰搜索，或者基于恒虛警檢測算法進行目標檢測。每個接收節點將估計得到的感知目標的時延量測、角度量測、多普勒量測和感知目標的位置量測上報給

117、感知功能，由感知功能進行多節點的數據級融合。圖 57 展示了各個感知接收節點估計得到的感知目標的位置量測分布示意圖。57圖 57 各個感知接收節點的感知目標位置估計分布圖感知功能基于多個感知接收節點上報的目標位置量測進行聚類融合，將多個靠近的目標位置量測判定為一個真實目標的多個估計值。在進行多節點融合聚類時，可以考慮DBSCAN 聚類算法。進一步地，為了提高聚類的精度，可以采用畫柵格的方法進行聚類，每一個柵格是三維空間中的一個長方體。在基于柵格聚類的融合算法中，針對不同的場景和配置參數，可以制定不同大小的柵格，提高聚類的精確度。位于一個柵格內的多個位置估計值被判定是同一個真實目標的多個估計值，

118、因此一個柵格內的多個位置估計值對應的時延量測、角度量測和多普勒量測被融合，獲得一個融合后的位置估計值。圖 58 展示了基于柵格聚類的感知目標位置融合結果分布圖。圖 59 對比了 UAV 場景下多站融合前和多站融合后的目標位置精度 CDF 曲線。由圖 59 可以看到，在未進行多站融合的情況下，90%目標的位置精度為 10m 左右；在進行多站融合的情況下，90%目標的位置精度可以達到 2m 以內，這表明多站融合可以明顯提高目標的定位精度。圖 58 基于柵格聚類的感知目標位置融合結果分布圖58(a)多站融合前位置精度（b）多站融合后位置精度圖 59 多站融合前和多站融合后目標位置精度 CDF 曲線6

119、.4.4 基于基于濾波器遞歸的濾波器遞歸的融合算融合算法法基于濾波器遞歸的融合算法利用用戶移動過程中與周圍基站通信產生的多徑數據，采用濾波器以遞歸的方式融合歷史時刻先驗信息和當前時刻觀測數據，在貝葉斯推斷的框架中實現對無線地圖特征多目標的動態估計。貝葉斯推斷提供了一種在不確定性條件下估計目標狀態的數學框架，通過結合先驗信息和觀測數據來估計后驗分布?？柭鼮V波器是其在線性高斯系統中的特例，通過遞歸地傳遞待估計量的二階矩實現了目標狀態的預測和更新，在單目標場景中可以有效融合不同的觀測數據。然而，當面臨通感中的多目標狀態估計問題時，卡爾曼通常受限于觀測數據和待估計特征的未知關聯性。概率假設密度（Pr

120、obability hypothesis density，PHD）濾波器將貝葉斯推斷擴展到隨機有限集理論，通過避免顯示的數據關聯以平衡濾波性能與計算復雜度，在面臨無線地圖特征多目標動態估計問題表現出穩健的性能33?？紤]一個毫米波頻段多基站多用戶的被動感知場景，針對其中某個特定的用戶，其與周圍基站通信過程中會經由信道估計產生 LoS 和 NLoS 徑信道參數，如 AoA、AoD和 ToA 等。LoS 徑中僅包含與用戶位置關聯的信息，而 NLoS 徑則包含與周圍環境相關的信息。在基于濾波器進行融合時，用戶位置與無線地圖均以軟信息的方式進行傳遞和更新，采用概率分布而非是硬判決后的值來表征對目標狀態的

121、估計。針對多基站與特定用戶形成的 LoS 徑，其只涉及單目標估計問題，可以用擴展卡爾曼濾波器融合多基站LoS 徑信道參數來估計用戶位置分布；針對多基站 NLoS 徑信道參數，由于多徑參數與待估計地圖特征的關聯性未知，則采用 PHD 濾波器來對地圖特征進行融合估計。進一步，通過將 LoS 徑估計到的用戶位置作為 PHD 濾波器先驗，可以有效減輕基于 PHD 實現的同時用戶定位與環境地圖構建（Simultaneous Localization and Mapping，SLAM）復59雜度較高的問題，實現了 LoS 和 NLoS 多徑參數的融合感知。以圖 60 左側所示的雙 AP 單 UE 的簡單場

122、景為例，當用戶在室內環境移動時，首先從接收信號中抽取多徑參數，從多徑參數中分離出 LoS 徑參數，利用 EKF 融合多基站 LoS 來估計當前的用戶位置。接著，將估計到的用戶位置作為各基站本地 PHD 濾波的先驗信息，利用相應的信道參數更新本地無線地圖。無線地圖以軟信息的方式進行估計和融合，具體為高斯混合形式的后驗多目標隨機有限集表征的射頻地圖一階矩。PHD濾波器估計地圖整體可以分為預測和更新兩個步驟。STEP 1：地圖 PHD 預測利用上一時刻的地圖估計結果作為當前時刻的先驗信息，結合 EKF 估計的用戶位置，預測當前時刻的 PHD 地圖1(,)()：1(,)()=11(,)()+(,)()

123、其中，(,)()是依據當前時刻觀測值生成的新生 PHD 地圖分量，11(,)()是前一時刻地圖估計結果，由于靜態地圖假設，這部分保持不變。STEP 2：地圖 PHD 更新當新的信道參數估計值到達時，可以基于 PHD 濾波器更新用戶位置和無線地圖特征。采用了基于粒子濾波器實現的方式對 PHD 地圖進行更新，以避免由于高維集合積分帶來的高額復雜度33。粒子濾波器基于 EKF 預測的用戶位置高斯分布依概率撒點，每個點都代表一個用戶位置粒子。針對每個粒子，利用 PHD 濾波器融合 NLoS 多徑參數估計無線地圖，而無需顯式的數據關聯；同時利用粒子濾波器融合多徑 NLoS 參數以更新粒子權重。接著，依據

124、粒子權重對不同粒子的 PHD 地圖進行加權平均即可完成當前時刻的地圖更新。最后，各基站利用收斂性準則從本地地圖中篩選已收斂的地圖分量上傳至云端，并依據各基站視野與云端本地地圖是否重合選擇采用加權平均或幾何平均融合34。加權平均傾向于保留全部的地圖特征，適用于各基站視野不重疊、漏檢率高的場景；而幾何平均傾向于保留共同可見的部分，適用于各基站視野重疊、虛警率高的場景。60圖 60 射頻地圖特征幾何關系示意圖圖 61 給出了雙基站視野重疊場景的仿真結果，其中圖(a)(b)分別是用戶定位精度MSE 和環境地圖構建精度 OSPA。其中，w/o fusion、LoS-AA 和 LoS-GCI 分別代表各基

125、站本地地圖間無融合、加權平均融合和幾何平均融合的結果?？梢钥吹?，通過 EKF 和PHD 分別融合 LoS 和 NLoS 多徑參數可以顯著提升估計精度；在視野重疊的地圖重建中，GCI 相比 AA 表現略優。(a)(b)圖 61 云端融合算法仿真結果第七章 多節點協作感知的原型驗證7.1 基站間協作感知基站間協作感知本節主要介紹基站間協作感知的樣機驗證?；诟咚俾?、大帶寬、通用化基帶平臺及多通道毫米波收發前端，我們搭建了毫米波協作感知原型樣機，可在感知資源不超過6110%時實現亞米級感知精度。原型樣機主要由基帶平臺（中央處理板、射頻前端板）和毫米波 AAU 組成。中央處理板支持資源密集型信號處理和

126、 100Gbps 高速數據流，實現 MIMO 信號、信道估計與均衡、高速 LDPC 編譯碼運算等。射頻前端板實現多路信號的接收和發射，接收通道完成信號采樣和 ADC 模數轉換，發射通道將數字信號經過 DAC 數模轉換成射頻模擬信號后輸出至毫米波 AAU 前端。AAU 采用數?；旌霞軜?，天線采用雙極化二維陣列結構，支持百兆級帶寬。通感一體化信號設計采用通感性能最佳折中的 OFDM 一體化波形，通過資源分配算法對載波和功率的合理優化，使整個系統達到最佳性能折中。目前，原型樣機已對 3.6 小節基于參考徑的高精度同步方案進行了驗證。測試系統包括兩臺一體化信號收發機（一臺作為通感發射端、一臺作為感知接

127、收端），一臺通信接收機，以及一個待感知的小球目標，試驗場景如圖 62 所示。利用基于參考徑的空口同步校準方案，可有效消除多節點協作感知中收發節點的時間同步誤差問題，單次感知結果如圖 63 所示。通過對比真實目標位置以及估計位置得到感知精度，試驗結果表明通過參考徑空口同步校準方案，可達到亞米級的感知精度。同時，通感一體化原型終端用于測試單用戶峰值吞吐率，記錄原型樣機與通信終端之間的數據傳輸平均吞吐率作為單用戶峰值吞吐率，單用戶通信速率超過 600Mbps。實驗表明，基于 3.6 小節的參考徑空口同步校準方案，本節所述的原型能夠達到較好的通感一體化性能。圖 62 測試場景示意圖62圖 63 單次目

128、標檢測結果7.2 終端間協作感知終端間協作感知為了實現無縫感知，可使用不同種類的終端（智能手機、智能手表、智能眼鏡等）、基站（包括宏基站和微基站等）完成協作感知。以基站和多個終端協作感知為例，圖 64給出蜂窩網絡下的多終端協作感知和通信一體化場景示意圖。圖 64 蜂窩網絡下的多終端協作感知與通信一體化場景示意圖在本節，我們考慮多終端的協作感知和通信一體化，并對 3.7 小節的非理想因素消除方案進行了驗證。我們基于通用軟件無線電外設（Universal Software Radio Peripheral，USRP），驗證了 A 發 B 收感知模式下利用多個終端節點進行行人軌跡跟蹤的可行性。為了降

129、低 UE 的感知能力要求，我們僅依賴多普勒測量來進行人體軌跡跟蹤，并利用 3.7小節的方案進行非理想因素的消除，包括本振頻率偏移（Carrier Frequency Offset，CFO）、定時偏移（Timing Offset，TO）、隨機相位等，每個UE使用CSI商進行后續參數估計35。實驗結果表明，該終端協作原型能夠實現準確的行人軌跡跟蹤，同時進行多用戶通信。63我們設計了一個基于 USRP 的行人軌跡追蹤系統，用于驗證多終端協作感知與通信一體化。該原型系統由兩個 8 通道的 USRP 組成。一個 USRP 用作發射端模擬基站，另一個用作接收端模擬多個終端?？紤]下行廣播通信，基站只使用一個

130、發射天線端口。在接收端，USRP 的 8 個接收天線端口均勻分成 4 組，每組包括 2 個端口。因此，通過部署不同接收天線對，可以模擬出 4 個不同位置的 UE。圖 65 給出了所述 A 發 B 收感知模式下的多終端協作軌跡追蹤樣機和實測環境照片。關于樣機的硬件配置參數詳見16。圖 65 軌跡追蹤樣機以及環境照片(a)實驗中發射機和接收機布局(b)實測感知目標運動區域(c)接收機(d)發射機(e)發射天線(f)接收天線圖 66 多 UE 協作軌跡追蹤實測結果示例(a)直線軌跡下 4 個 UE 的 MUSIC 偽譜(b)M 形軌跡下4 個 UE 的 MUSIC 偽譜(c)S 形軌跡下 4 個 U

131、E 的 MUSIC 偽譜(d)估計的直線軌跡(e)估計的 M形軌跡(f)估計的 S 形軌跡64圖 66 給出了多終端協作軌跡追蹤實測結果示例。在實驗中，我們考察了不同的軌跡，包括直線軌跡、M 形軌跡和 S 形軌跡；基于所設計的多節點協作感知方案，估計的軌跡與實際軌跡吻合良好。平均每個終端的下行吞吐量超過 300Mbps。實驗證明，基于3.7 小節的非理想因素消除方案，本節所述多終端協作軌跡追蹤方案能夠達到較好的通感一體化性能。第八章 總結與展望通信感知一體化作為 ITU-R 確立的 6G 六大場景之一，將賦能未來 6G 網絡提供原生的感知服務，助力實現物理世界與數字世界深度融合、數字孿生與智慧

132、泛在的美好愿景。面向 6G 系統設計和未來網絡部署，多維度的協作感知將提供實現多目標、高精度、立體化、全覆蓋的感知，滿足網絡對于感知性能的新需求。本報告首先分析了協作感知場景，并聚焦多節點協作場景的空口關鍵技術、協作算法、樣機驗證等方面進行研究，并且也對多模態協作和多頻段協作場景的算法進行了研究。具體內容以及后續研究建議包括但不限于：協作場景：本報告定義了三個協作場景，并對其優勢與挑戰進行了分析，包括多模態協作、多頻段協作、多節點協作。其中，業界對于多節點協作的研究較為廣泛，包括基站間的協作、基站與終端的協作，多個自發自收的協作、自發他收的協作等模式。未來可繼續聚焦多節點協作，并對多模態協作和

133、多頻段協作開展更深入的研究?？湛陉P鍵技術：針對多節點協作所面臨的空口關鍵問題，我們針對幀結構、功率控制、資源沖突解決、干擾管理、雜波抑制、高精度同步、非理想因素消除、非視距識別與利用、節點選擇與切換等關鍵挑戰提出具體的解決方案，對后續的研究和標準化提供了指引。協作算法：針對多模態、多頻段、多節點三個場景給出了多種協作算法。其中，業界對于多節點協作算法研究較多，從多節點協作算法的融合層級來看，又分為信號級融合、符號級融合、數據級融合。針對不同層級的融合算法，我們按照不同場景（多個自發自收、自發他收等）、不同融合算法設計思路（權重迭代法、柵格聚類法等）的歸類方式，給出多個算法的設計以及性能評估分析

134、。目前的協作算法更多的關注對于感知目標的測距和測速性能，后續可考慮面向多目標聯合跟蹤、65環境重構等新場景、人工智能與感知融合等新思路，進行協作算法的設計。樣機驗證：針對多節點協作，給出基站間協作感知和終端間協作感知的原型驗證測試結果，驗證了多節點協作空口關鍵技術中基于參考徑的高精度同步方案，以及非理想因素消除方案。通感一體的研究涵蓋場景需求、技術指標制定、關鍵技術研究、信道建模、性能評估、標準制定、商用部署、生態培育等諸多方面，目前正處于技術研究的重要階段，2025年 3GPP 將正式開啟 6G 標準化。本研究報告中的協作感知場景、空口關鍵技術、協作融合算法等，是結合當前業界需求、研究觀點、

135、工作組提案討論所得到，旨在為通感一體的協作感知關鍵技術研究提供建議、促進共識，為標準制定奠定基礎。未來，隨著產學研用各界的不斷推進，通信感知一體化任務組將繼續對協作感知的空口關鍵技術、高精融合算法、組網與架構、原型驗證等開展更深入的研討，持續推動通感一體化從理論走向標準、從實踐走向應用，賦能千行百業。66參考文獻1 Framework and overall objectives of the future development of IMT for 2030 andbeyond,Recommendation ITU-R M.2160,2023.2 G.Liu,R.Xi,Z.Han,L.Ha

136、n,X.Zhang,L.Ma,Y.Wang,M.Lou,J.Jin,Q.Wang,and J.Wang,“Cooperative Sensing for 6G Mobile Cellular Networks:Feasibility,Performance and Field Trial,”IEEE Journal on Selected Areas in Communications,vol.42,no.10,pp.28632876,2024.3 B.Lu,Z.Wei,H.Wu,X.Zeng,L.Wang,X.Lu,D.Mei,and Z.Feng,“DeepLearningBasedMul

137、ti-NodeISAC4DEnvironmentalReconstructionwithUplink-Downlink Cooperation,”IEEE Internet of Things Journal,Early Access,2024.4 Z.Wei,H.Liu,X.Yang,W.Jiang,H.Wu,X.Li,and Z.Feng,“Carrier AggregationEnabled Integrated Sensing and Communication Signal Design and Processing,”IEEETransactions on Vehicular Te

138、chnology,vol.73,no.3,pp.3580-3596,Mar.2024.5 H.Liu,Z.Wei,J.Piao,H.Wu,X.Li,and Z.Feng,“Carrier Aggregation EnabledMIMO-OFDM Integrated Sensing and Communication,”Submitted to IEEE Transactionson Wireless Communications,in arxiv preprint arxiv:2405.10606,2024.6 H.Liu,Z.Wei,F.Li,Y.Lin,H.Qu,H.Wu,and Z.F

139、eng,“Integrated Sensing andCommunication Signal Processing Based On Compressed Sensing Over UnlicensedSpectrum Bands,”IEEE Transactions on Cognitive Communications and Networking,Early Access,2024.7 Z.Wei,W.Jiang,Z.Feng,H.Wu,N.Zhang,K.Han,R.Xu,and P.Zhang,“Integrated Sensing and Communication enable

140、d Multiple Base Stations CooperativeSensing Towards 6G,”IEEE Network,vol.38,no.4,pp.207-215,Jul.2024.8 H.Liu,Z.Wei,F.Yang,H.Wu,K.Han,and Z.Feng,“Target Localization withMacro and Micro Base Stations Cooperative Sensing,”Submitted to IEEE GLOBECOM,in arxiv preprint arxiv:2405.02873,2024.9 J.Yang,C.We

141、n,S.Jin,and X.Li,“Enabling Plug-and-Play and CrowdsourcingSLAM in Wireless Communication Systems,”IEEE Transactions on WirelessCommunications,vol.21,no.3,pp.1453-1468,Mar.2022.10Z.Wei,H.Liu,Z.Feng,H.Wu,F.Liu,Q.Zhang,and Y.Du,“Deep Cooperation inISAC System:Resource,Node and Infrastructure Perspectiv

142、es,”IEEE Internet of ThingsMagazine,Early Access,2024.6711J.Yang,C.Wen,X.Yang,J.Xu,T.Du,and S.Jin,“Multi-Domain CooperativeSLAM:The Enabler for Integrated Sensing and Communications,”IEEE WirelessCommunications,vol.30,no.1,pp.40-49,Feb.2023.12L.Pucci,E.Matricardi,E.Paolini,W.Xu and A.Giorgetti,Perfo

143、rmance Analysis ofa Bistatic Joint Sensing and Communication System,2022 IEEE InternationalConference on Communications Workshops(ICC Workshops),Seoul,Korea,Republic of,2022,pp.73-78.13A.Sakhnini,M.Guenach,A.Bourdoux and S.Pollin,A Cramr-Rao Lower Boundfor Analyzing the Localization Performance of a

144、 Multistatic Joint Radar-CommunicationSystem,2021 1st IEEE International Online Symposium on Joint Communications&Sensing(JC&S),Dresden,Germany,2021,pp.1-5.14X.Zhang,L.Han,Z.Han,et al.,“Interference Analysis for Collaborative ISACNetworks,”Communications of HUAWEI RESEARCH,vol.5,pp.99-106,Oct.2023.1

145、53GPP,Requirements for support of radio resource managementS.3GPP TS 38.133,202116J.Li,B.Chen,S.Ding,J.Yao,D.Jiang,and F.Qin,“Integrated CoordinatedMulti-Point Sensing and Communication:Design and Experiment,”in 2024 IEEE 25thWireless Communications and Networking Conference(WCNC),April 2024,pp.16.1

146、7Wong,Ian C.,and Brian L.Evans.Sinusoidal modeling and adaptive channelprediction in mobile OFDM systems.IEEE Transactions on Signal Processing 56.4(2008):16011615.18X.Wang,L.Han,R.Xi,L.Ma,M.Lou,J.Jin,Q.Wang,G.Liu,and J.Wang,“Multipath-Exploited Bistatic Sensing with LoS Blockage in MIMO-OFDM System

147、sfor 6G,”in 2024 IEEE International Conference on Communications Workshops(ICCWorkshops),2024,pp.15291534.19S.Chang,Y.Zhang,F.Zhang,X.Zhao,S.Huang,Z.Feng,and Z.Wei,“SpatialAttention Fusion for Obstacle Detection Using MmWave Radar and Vision Sensor,”Sensors,vol.20,no.4,pp.956,Feb.2020.20Z.Wei,F.Zhan

148、g,S.Chang,Y.Liu,H.Wu,and Z.Feng,“MmWave Radar and VisionFusion for Object Detection in Autonomous Driving:A Review,”Sensors,vol.22,no.7,pp.2542,Mar.2022.21Y.Liu,S.Chang,Z.Wei,K.Zhang and Z.Feng,“Fusing mmWave Radar WithCamera for 3-D Detection inAutonomous Driving,”IEEE Internet of Things Journal,vo

149、l.9,no.20,pp.20408-20421,Oct.2022.6822L.Xie,S.Song,Y.C.Eldar and K.B.Letaief,Collaborative Sensing in PerceptiveMobile Networks:Opportunities and Challenges,IEEE Wireless Communications,vol.30,no.1,pp.16-23,2023.23L.Leyva,D.Castanheira,A.Silva and A.Gameiro,Two-stage estimation algorithmbased on int

150、erleaved OFDM for a cooperative bistatic ISAC scenario,2022 IEEE 95thVehicular Technology Conference:(VTC2022-Spring),Helsinki,Finland,2022.24Z.Wei,R.Xu,Z.Feng,H.Wu,N.Zhang,W.Jiang,and X.Yang,“Symbol-levelintegrated sensing and communication enabled multiple base stations cooperativesensing,”IEEE Tr

151、ansactions on Vehicular Technology,vol.73,no.1,pp.724-738,Jan.2024.25O.Kanhere,S.Goyal,M.Beluri,and T.S.Rappaport,“Target localization usingbistatic and multistatic radar with 5g nr waveform,”in 2021 IEEE 93rd Veh.Technol.Conf.(VTC2021-Spring),2021,pp.17.26Y.Ma,S.Xia,C.Bai,Z.Wang,and S.Li,“Networked

152、 Collaborative Sensing usingMulti-domain Measurements:Architectures,Performance Limits and Algorithms,”.SubmittedtoIEEETransactionsonVehicularTechnology,inarxivpreprintarxiv:2402.15047,2024.27H.Gao,B.Zhou,D.Zhou,and Z.Jin,“Performance analysis and experimental studyon distributed aperture coherence-

153、synthetic radar,”CIE International Conference onRadar(RADAR),Guangzhou,China,pp.1-5,2016.28吳劍旗,戴曉霖,楊利民,楊超,楊生忠,王啟超,孫斌.一種大基線分布雷達近場相參探測技術J.雷達科學與技術,2020,18(06):579-583.29林春風.雙（多）基地雷達相參處理技術D.國防科學技術大學,2016.30X.Lu,Z.Wei,R.Xu,L.Wang,B.Lu and J.Piao,“Integrated Sensing andCommunication Enabled Multiple Base

154、Stations Cooperative UAV Detection,”IEEEInternational Conference on Communications Workshops(ICC Workshops),Denver,CO,USA,pp.1882-1887,2024.31Z.Wei,H.Liu,H.Li,W.Jiang,Z.Feng,H.Wu,and P.Zhang,“Integrated Sensingand Communication Enabled Cooperative Passive Sensing Using Mobile CommunicationSystem,”Su

155、bmitted to IEEE Transactions on Mobile Computing,in arxiv preprintarxiv:2405.09179,2024.32W.Jiang,Z.Wei,S.Yang,Z.Feng and P.Zhang,“Cooperation Based Joint Activeand Passive Sensing with Asynchronous Transceivers for Perceptive Mobile Networks,”IEEE Transactions on Wireless Communications,Early Acces

156、s,2024.6933T.Du,J.Yang,C.K.Wen,S.Xia and S.Jin,“General Simultaneous Localization andMapping Scheme for mmWave Communication Systems,”IEEE Internet Things J.,vol.11,no.12,pp.22521-22536,Apr.2024.34J.Yang,C.Wen,and S.Jin,“Hybrid active and passive sensing for SLAM inwireless communication systems,”IE

157、EE Journal on Selected Areas in Communications,vol.40,no.7,pp.2146-2163,Jul.2022.35X.Li,J.A.Zhang,K.Wu,Y.Cui,and X.Jing,“CSI-ratio-based Doppler FrequencyEstimation in Integrated Sensing and Communications,”IEEE Sensors Journal,vol.22,no.21,pp.20 88620 895,2022.70貢獻單位序號序號主要貢獻單位主要貢獻單位1中國移動通信有限公司研究院2中國信息通信研究院3華為技術有限公司4中信科移動通信技術股份有限公司5西安電子科技大學6中興通訊股份有限公司7北京郵電大學8維沃移動通信有限公司9中國聯通研究院10中國電信股份有限公司研究院11東南大學12OPPO廣東移動通信有限公司13聯發科技股份有限公司14紫光展銳科技有限公司15上海諾基亞貝爾股份有限公司16北京小米移動軟件有限公司